YOLOv3算法

一、YOLOv3总体概述

相比于前两代,YOLOv3最大的改进在于网格结构的设计。

核心目标:使其更适合小目标检测。

四大核心升级:

1.特征更细致,融合多尺度特征图预测不同规格物体。

2.先验框更丰富,3种scale,共9种。

3.改进Softmax,支持多标签检测。

4.融入ResNet残差思想,加深网格。

二、核心改进

1.多尺度预测

为了能检测到不同大小的物体。传统的图像金字塔虽然能检测不同大小物体,但计算量大,不利于YOLO的检测速度;所以YOLOv3采用了单一输入,但在网络内部做文章。

YOLOv3不再像v2那样只利用单一特征图,而是类似FPN(特征金字塔)的思想,融合不同尺度的特征图进行预测。

输入图像尺寸为416*416*3。

经过不同倍数的下采样,得到13*13、26*26、52*52三个尺度的特征图。

网格将深层特征上采样与中层特征拼接,再将结果上采样与浅层特征(52*52)拼接,从而实现多尺度融合预测。

2.更深的网格与残差连接

YOLOv3采用了Darknet-53作为核心网格架构(没有池化和全连接层,全是卷积)。

残差连接(ResNet思想):深层网格容易出现梯度消失,导致训练效果变差。引入残差结构H(x)=F(x)+x)后,允许网格堆叠更多的层进行特征提取。

下采样方式:通过设置卷积的stride(步长)=2来实现下采样,替代了传统的池化层。

3.9种尺度的先验框设计

YOLOv2中使用了5个先验框,YOLOv3增加到了9个。这些先验框是通过对COCO数据集进行K-means聚类得到的。

分配策略:

13*13特征图:感受野大,应用较大的先验框,负责检测大物体。

26*26特征图:感受野中等,应用中等的先验框,检测中等大小对象。

52*52特征图:感受野小,应用较小的先验框,适合检测小目标。

4.多标签分类(Logistic替代Softmax)

在复杂场景中,一个物体可能属于多个类别(例如一个人既是"人",也是"行人")。传统的Softmax函数会强制所有类别概率之和为1,强制单标签分类,这在多标签任务中不再使用。

YOLOv3的改进 :使用多个独立的 Logistic 分类器。对每一个框中每个类别使用Sigmoid激活函数独立计算概率

只要某个类别的概率超过设定的阈值(如0.5),就认为包含该类别。

三、输入到输出的张量解析

YOLOv3的输出是一个3D张量。以COCO数据集(80个类别)为例,每个网格单元会预测3个边界框,每个预测目标的维度是:(4+1+80)=85

4:边界框坐标(tx,ty,tw,thtx​,ty​,tw​,th​)

1:边框置信度(Objectness score)

80:对象类别数

因此,三个尺度的输出分别为:

13×13×[3×(4+1+80)]

26×26×[3×(4+1+80)]

52×52×[3×(4+1+80)]

四、总结

YOLOv3在保持极快检测速度的前提下,通过多尺度特征融合 、Darknet-53残差网络 、9种先验框 以及Logistic多标签分类,大幅提升了特别是针对小目标的检测精度,真正做到了"基本上当下经典做法全融入了"。

相关推荐
孟健10 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV10 小时前
Google 重返第一梯队
人工智能·google·aigc
十有八七11 小时前
手搓 Agent(五):学会翻书——RAG,先查资料再回答
前端·人工智能·后端
阿里云大数据AI技术11 小时前
阿里云 Milvus 场景中心|一键部署你的AI应用
人工智能
京东云开发者11 小时前
Agent 研发工作系统:面向多需求并行端到端开发的设计与实践
人工智能
IT大白鼠12 小时前
当 AI 开始自动化渗透:FBI ARTEX 警报的防守对策
运维·人工智能·自动化
进击的丸子13 小时前
1126B的Demo实操——虹软ArcFace SDK(RV1126BP ARM64 V5.0)交叉编译与运行指南
人工智能·程序员·代码规范
独隅13 小时前
Cann-Samples 实战应用与场景落地指南
人工智能·cann·cann-samples
阿里云大数据AI技术13 小时前
让 Agent 学会诊断 Elasticsearch:一套证据绑定的智能运维方法论
人工智能
十有八七13 小时前
手搓 Agent(四):长点记性——上下文满了怎么办,怎么记住上一次
前端·人工智能·后端