Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)

Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT

Yolov--3--TensorRT中yolov3性能优化加速（基于caffe）

yolov-5-目标检测：YOLOv2算法原理详解

yolov--8--Tensorflow实现YOLO v3

yolov--9--YOLO v3的剪枝优化

yolov--10--目标检测模型的参数评估指标详解、概念解析

yolov--11--YOLO v3的原版训练记录、mAP、AP、recall、precision、time等评价指标计算

yolov--12--YOLOv3的原理深度剖析和关键点讲解

---

yolo-v3原理深度剖析

问题

1、yolo-v3的架构是什么？

• darknet-53、顾名思义有53个卷积层

• DarkNet_53= Conv3x3 + Sum_(下采样 Conv3x3_步长为2 + N x DarkNetBlock)         ---N为下采样次数

  DarkNetBlock（含2层卷积）= Conv1x1 + Conv3x3 + Residual     

  所以我们可以发现DarkNet-53一共有1 + (1 + 1 x 2 ) + (1 + 2 x2) + (1 + 8 x 2) + (1 + 8 x 2) + (1 + 4 x 2) +全连接= 53个卷积层。

---

从上面的模型的网络结构图我们可以明显看出基于darknet-53的最新的模型结构有以下几个特点:

1. 从网络的不同层次映射不同尺寸的输出，如图中从79层（外加两个卷积层）得到13*13的的输出;从91层（外加两个卷积层）得到26*26的输出;最后再得到52*52的输出。
2. 后面的高层结合使用低层特征（图中的86、98层，分别使用了61层和36层的特征映射），使高层能使用细粒度（fine grained）特征和更多的语义信息。
3. 最后一个尺寸输出使用了前两个尺寸计算的特征映射，使得最后的尺寸输出也能使用细粒度。
4. 每个YOLO输出层中，每个grid cell的bounding box数量为3，而不是9，这样不同的YOLO输出层便能负责不同尺寸大小的对象预测了，这个思想来自SSD。例如，COCO数据集中，作者让YOLO scale1负责预测的尺寸有(10,13)、 (16,30)和 (33,23), YOLO scale2负责预测的尺寸有(30,61)、(62,45)和(59,119)，YOLO scale3负责预测的尺寸有(116,90)、(156,198)和(373,326)。

---

多尺度预测：

Yolov3采用了类似SSD的mul-scales策略，使用3个scale（13*13，26*26，52*52）的feature map进行预测。

有别于yolov2，这里作者将每个grid cell预测的边框数从yolov2的5个减为yolov3的3个。最终输出的tensor维度为N × N × [3 ∗ (4 + 1 + 80)] 。其中N为feature map的长宽，3表示3个预测的边框，4表示边框的tx,ty,tw,th，1表示预测的边框的置信度，80表示分类的类别数。

和yolov2一样，anchor的大小作者还是使用kmeans聚类得出。在coco数据集上的9个anchor大小分别为：(10× 13); (16× 30); (33× 23); (30× 61); (62× 45); (59×119); (116 × 90); (156 × 198); (373 × 326)

其中在yolov3中，最终有3个分支输出做预测，输出的特征图大小分别为13*13，26*26，52*52，每个特征图使用3个anchor，

13*13的特征图使用(116 × 90); (156 × 198); (373 × 326);这3个anchor

26*26的特征图使用(30× 61); (62× 45); (59×119);这3个anchor

52*52的特征图使用(10× 13); (16× 30); (33× 23);这3个anchor

而在yolov3-tiny中，一共有6个anchor，（10,14）, （ 23,27）,  （37,58）,  （81,82）,  （135,169）,  （344,319），

yolov3-tiny最终有2给分支输出作预测，特征图大小分别为13*13，26*26。每个特征图使用3个anchor做预测。

13*13的特征图使用（81,82）,  （135,169）,  （344,319）这3个anchor

26*26的特征图使用（ 23,27）,  （37,58）,  （81,82）这3个anchor

---

2、  每个Convolutional是什么结构？ 

• 与YOLO V2相同，每个Conv后面是Batch Normalization和Leaky ReLU操作，具体如图：

什么是Batch Normalization? 

• 顾名思义，batch normalization就是“批规范化”。
• 作用：在深度神经网络训练过程中使每一层神经网络的输入保持相同分布。使得结果（输出信号各个维度）的均值为0，方差为1.     什么是 Batch Normalization 批标准化 (深度学习 deep learning)_哔哩哔哩_bilibili

什么是Leaky ReLU?

• 见Deep Learning-2-Python实现卷积神经网络正、反向传播--让你彻底了解CNN_1d卷积层的正向传播方程-CSDN博客

2、YOLO V3和YOLO V2的 backbone有什么区别和相同点？

•  整个v3结构里面，是没有池化层和全连接层的。
• 前向传播过程中，张量的尺寸变换是通过改变卷积核的步长来实现的，比如stride=(2, 2)，这就等于将图像边长缩小了一半(即面积缩小到原来的1/4)。在yolo_v2中，要经历5次缩小，会将特征图缩小到原输入尺寸的1/32。若输入为416x416，则输出为13x13(416/32=13)。
• yolo_v3也和v2一样，backbone都会将输出特征图缩小到输入的1/32。所以，通常都要求输入图片是32的倍数。

可以对比v2和v3的backbone看看：（DarkNet-19 与 DarkNet-53）

    分析上图发现：

• yolo_v2中对于前向过程中张量尺寸变换，都是通过最大池化来进行，一共有5次。而v3是通过卷积核增大步长来进行，也是5次。(darknet-53最后面有一个全局平均池化，在yolo-v3里面没有这一层，所以张量维度变化只考虑前面那5次)。这也是416x416输入得到13x13输出的原因。
• darknet-19是不存在残差结构(resblock，从resnet上借鉴过来)的，和VGG是同类型的backbone(属于上一代CNN结构)，而darknet-53是可以和resnet-152正面刚的backbone。

---

3、YOLO V1误差函数图更改

有些博客YOLO V1误差函数图有误，在此更改并强调！

---

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)_yolov3 voc2007-CSDN博客

https://blog.csdn.net/qq_33869371/article/details/90438256

yolov--8--基于Tensorflow实现YOLO v3--动图展示_yolo运行gif-CSDN博客

---

参考：

yolo系列之yolo v3【深度解析】_yolov3-CSDN博客

https://blog.csdn.net/chandanyan8568/article/details/81089083 

YOLO V3论文理解 - 深夜十二点三十三 - 博客园

https://blog.csdn.net/qq_27825451/article/details/88971395 

关于YOLOv3的一些细节 - 简书