YOLOv3的提升效果
YOLOv3未变的
从YOLOv1开始，yolo算法就是通过划分单元格grid cell来做检测，只是划分的数量不一样。
采用"leaky ReLU"作为激活函数。
端到端进行训练,统一为回归问题。一个loss function搞定训练，只需关注输入端和输出端。
从yolo_v2开始，yolo就用batch normalization作为正则化、加速收敛和避免过拟合的方法，把BN层和leaky relu层接到每一层卷积层之后。
多尺度训练。想速度快点，可以牺牲准确率；想准确率高点，可以牺牲一点速度。
沿用了v2中边框预测的方法。
YOLOv3改进的
简要介绍
YOLOv3是目标检测领域的一个重要进步，它在YOLOv2的基础上引入了多项关键技术和模块，显著提升了检测性能。以下是YOLOv3的一些核心改进点：
1、多尺度特征融合： YOLOv3通过特征金字塔网络（FPN）结构，利用不同尺度的特征图进行检测，这使得它能够更好地识别不同大小的目标 。
2、Darknet-53主干网络： YOLOv3采用了更深的Darknet-53网络作为其主干网络，这有助于提取更丰富的特征信息 。
3、残差连接： 借鉴了ResNet的设计，YOLOv3在网络中引入了残差连接，这有助于缓解深层网络训练中的梯度消失问题，并提高网络性能 。
4、改进的损失函数： YOLOv3将损失函数从softmax的交叉熵损失切换为二分类交叉熵损失，这有助于解决类别不平衡问题，提高小目标的检测准确率 。
5、类别预测的改进： YOLOv3使用独立的Logistic回归分类器代替了softmax来预测类别，这使得模型能够更好地处理多标签分类问题 。
6、多尺度训练： YOLOv3采用不同分辨率的图像进行训练，提高了模型对不同尺寸目标的泛化能力 。
7、数据增强： YOLOv3在训练过程中应用了大量的数据增强技术，如随机缩放、裁剪和颜色扭曲，这有助于提高模型的鲁棒性 。
**8、锚框尺寸的优化：**YOLOv3根据数据集的特点动态调整锚框的大小和比例，以提高检测精度 。
1、 Bounding Box Prediction 边界框预测
YOLO3延续了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 。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。 分配上，在最小的13*13特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的26*26特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
2、分类器的改变
YOLOv3用多个独立的Logistic分类器替代了传统目标检测模型中常用的Softmax分类器
Softmax函数将神经网络的输出转换为概率分布，所有类别的概率之和为1。然而，Softmax函数的是每个样本只属于一个类别。但在更复杂的目标检测场景中，一个物体可能同时属于多个类别，例如一个人可能同时被标记为"人"和"行人"。这种情况下，Softmax函数就不再适用，因为它会强制每个样本只属于一个类别。
在Logistic分类器（逻辑回归）中，每个类别的预测是独立进行的。对于输入样本，分类器会为每个类别计算一个概率值，表示该样本属于该类别的可能性。
Logistic分类器通常使用Sigmoid函数（也称为Logistic函数）作为激活函数。Sigmoid函数将神经网络的输出映射到(0, 1)区间，表示样本属于某个类别的概率。Sigmoid函数的数学表达式为如下图，其中，z是神经网络的原始输出。
示例：
假设有一个图像分类任务，需要识别图像中是否包含"猫"、"狗"和"动物"三种动物。使用Logistic分类器时，模型会为每个类别（猫、狗、动物）分别计算一个概率值。例如：
图像A：猫的概率=0.8，狗的概率=0.3，动物的概率=0.7
图像B：猫的概率=0.2，狗的概率=0.7，动物的概率=0.6
设定阈值为0.5，则：
图像A会被标记为"猫"（因为猫的概率>0.5）也会标记为动物，而不会被标记为"狗" （因为它们的概率<0.5）。
图像B会被标记为"狗"和"动物"（因为它们的概率都>0.5），而不会被标记为"猫"（因为猫的概率<0.5）。
3、网络的改进
YOLOv3的第一处改进便是换上了更好的backbone网络：DarkNet53 。相较于YOLOv2中所使用的DarkNet19，新的网络使用了更多的卷积------53层卷积，同时，添加了残差网络中的残差连结结构，以提升网络的性能。
如上图， 这个网络主要是由一系列的1x1和3x3的卷积层组成，没有池化层和全连接层，全部卷积，卷积层仍旧是线性卷积、BN层以及LeakyReLU激活函数的串联组合。下采样通过stride为2来实现。
4、Feature Extractor 特征提取
使用了新的网络，新网络是YOLOv2中使用的网络、Darknet-19和新式的Darknet网络之间的一种混合方法。我们的网络使用连续的3 × 3 3×33×3和1 × 1 1×11×1卷积层，但现在也有一些快捷连接，而且明显更大。它有53个卷积层，所以我们把它叫做Darknet-53
将darknet-19里加入了ResNet残差连接，改进之后的模型叫Darknet-53 Darknet-53主要做了如下改进：
（1）没有采用最大池化层，转而采用步长为2的卷积层进行下采样。
（2）为了防止过拟合，在每个卷积层之后加入了一个BN层和一个LeakyReLU。
（3）引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
（4）将网络的中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的。
YOLOv3的网络架构
总结
YOLOv3 擅于预测出合适的目标，但无法预测出非常精准的边界框。YOLOv3 小目标预测能力提升，但中大目标的预测反而相对较差。若将速度考量进来，YOLOv3 整体来说表现非常出色。
YOLOv3在小目标\密集目标的改进：
1、 grid cell个数增加，YOLOv1（7×7），YOLOv2（13×13），YOLOv3（13×13+26×26+52×52）
2、 YOLOv2和YOLOv3可以输入任意大小的图片，输入图片越大，产生的grid cell越多，产生的预测框也就越多
3、 专门小目标预先设置了一些固定长宽比的anchor，直接生成小目标的预测框是比较难的，但是在小预测框基础上再生成小目标的预测框是比较容易的
4、 多尺度预测（借鉴了FPN），既发挥了深层网络的特化语义特征，又整合了浅层网络的细腻度的像素结构信息
5、 对于小目标而言，边缘轮廓是非常重要的，即浅层网络的边缘信息。在损失函数中有着惩罚小框项
**6、**网络结构：网络加了跨层连接和残差连接（shortcut connection），这样可以整合各个层的特征，这样使得网络本身的特征提取能力提升了。