《YOLO 目标检测》—— YOLO v3详细介绍

文章目录

前言

YOLO v3（You Only Look Once version 3）是一种快速且准确的目标检测算法，与YOLO v1 和 YOLO v2 相比，在保持高速度的同时，显著提升了检测的精度，特别是在小物体检测方面表现出色。以下是对YOLO v3的详细解析：

一、算法特点

单阶段检测方法：
- YOLO v3采用单阶段检测方法，将目标检测问题转化为回归问题，使用单个神经网络直接从完整图像预测边界框和类别概率。
- 这种端到端的方法使得YOLO v3能够以极快的速度进行实时目标检测。
- 下图左边为YOLO系列的检测过程，右边为传统目标检测过程
Darknet-53主干网络：
- YOLO v3使用Darknet-53作为特征提取网络，它包含53个卷积层 ，并引入了残差连接。
- Darknet-53的性能优于ResNet-101，且速度快于ResNet-152，为YOLO v3提供了强大的特征提取能力。
- 结构如下图：
- 但是 YOLO v3 中只是运用了红框中的结构，因为在整个 YOLO v3 的模型框架中，并没有池化和全连接层
多尺度预测：
- YOLO v3 在3个不同尺度上进行预测，延续了YOLO v2 中K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。
- 相比YOLO v2 中的5个先验框，这9个先验框是在3种不同尺度的特征图上进行预测，这种多尺度预测的方法显著提高了YOLO v3对小目标的检测能力。
- FPN特征金字塔：使用了类似FPN（Feature Pyramid Network）的结构，从不同尺度提取特征，以更好地检测不同大小的目标。
- 如下图：
逻辑回归分类器：
- YOLO v3使用逻辑回归代替softmax进行分类，更适合处理多标签分类问题。逻辑回归可以将类别概率限制在[0,1]之间，每个类别的概率值相对独立，适用于多标签分类场景。
  - 在YOLO v3中，每个边界框都采用多标签分类器来预测包含的类别。
  - 具体来说，对于每个边界框，YOLO v3会计算其属于每个类别的概率，这些概率是通过逻辑回归分类器得到的。
  - 由于逻辑回归分类器允许相互独立的类别预测，因此YOLO v3可以训练包含许多具有多个标签的样本数据集

通过以下示例图片来了解YOLO v3 检测的过程
- 下面是以输入图片大小为 416*416的YOLO v3 的网络结构图：
- 下图中是对三个尺度上输出结果中不同数字的解释

二、算法性能

速度快：YOLO v3在保持高精度的同时，能够达到实时检测的速度。
精度高：相比YOLO v2，YOLO v3在COCO数据集上的mAP指标提高了2.7%。同时，YOLO v3在多尺度预测和更好的特征提取器的加持下，对小目标的检测能力显著提升。

三、局限性

尽管YOLO v3在多个方面都有显著改进，但它仍然存在一些局限性：

对密集目标的检测效果不佳：当图像中存在大量小而密集的目标时，YOLO v3的性能可能会下降。
对严重遮挡目标的检测不够理想：当目标被严重遮挡时，YOLO v3可能难以准确定位和分类。
对非常规形状目标的适应性不足：YOLO v3主要针对矩形边界框进行优化，对于非矩形目标的检测效果可能不够理想。