【目標檢測簡史】進擊的YOLOv3，目標檢測網路的巔峰之作

YOLOv3的前世今生

2015年，R-CNN橫空出世，目標檢測DL世代大幕拉開。

各路豪傑快速迭代，陸續有了SPP，fast，faster版本，至R-FCN，速度與精度齊飛，區域推薦類網路大放異彩。

奈何，未達實時檢測之基準，難獲工業應用之青睞。

此時，憑速度之長，網格類檢測異軍突起，先有YOLO，繼而SSD，更是摘實時檢測之桂冠，與區域推薦類二分天下。然準確率卻時遭世人詬病。

遂有RBG一鼓作氣，並coco，推v2，增加輸出類別，成就9000。此後一年，作者隱遁江湖，逍遙twitter。偶獲靈感，終推v3，橫掃武林！

準確率不再是短板

自從YOLO誕生之日起，它就被貼上了兩個標籤，

1.速度很快。

2.不擅長檢測小物體。

而後者，成為了很多人對它望而卻步的原因。

由於原理上的限制，YOLO僅檢測最後一層卷積輸出層，小物體像素少，經過層層卷積，在這一層上的信息幾乎體現不出來，導致難以識別。

YOLOv3在這部分提升明顯。先看看小物體的識別。

直觀地看下和YOLOv2的對比圖如下。可以看出，對於小物體的識別，提高非常明顯。

無論是傳統的模式識別圖像檢測，還是基於CNN的視覺檢測，對於緊湊密集或者高度重疊目標的檢測通常是非常困難的。比如對合影的人群檢測在YOLOv2上的結果：

而下面是v3的結果：

前方高能預警。。。。。。。。。。。。。。。。

一次檢測到圖中90%的人，還增加了tie（領帶）這個新類別，非常驚艷！

再看看模型的泛化能力如何：

骷髏並不在訓練數據集中，但是通過訓練模型強大的泛化能力，自動將其歸類到了人類。（也算是最為合理的近似處理了）

這在YOLOv2中是檢測不到的。

那麼，模型泛化能力很強的副作用，就是分類結果跑偏，比如下面這張coser的識別圖，最左側的人識別成了馬：

訓練和檢測都很快

論文中做了詳盡的對比。

和前輩們比，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。

和同輩們比，YOLOv3-608檢測準確率比DSSD更高，接近FPN，但是檢測時間卻只用了後面兩者的三分之一不到。

原因如論文中所說，它在測試時觀察整張圖像，預測會由圖像中的全局上下文（global context）引導。它還通過單一網路評估做出預測，而不像 R-CNN 這種系統，一張圖就需要成千上萬次預測。

用了哪些黑科技？

1. 多級預測：終於為yolo增加了top down 的多級預測，解決了yolo顆粒度粗，對小目標無力的問題。v2隻有一個detection，v3一下變成了3個，分別是一個下採樣的，feature map為13*13，還有2個上採樣的eltwise sum，feature map為26*26，52*52，也就是說v3的416版本已經用到了52的feature map，而v2把多尺度考慮到訓練的data採樣上，最後也只是用到了13的feature map，這應該是對小目標影響最大的地方。在論文中從單層預測五種boundingbox變成每層3種boundongbox；
2. loss不同：作者v3替換了v2的softmax loss 變成logistic loss，由於每個點所對應的bounding box少並且差異大，每個bounding與ground truth的matching策略變成了1對1。當預測的目標類別很複雜的時候，採用logistic regression進行分類是更有效的，比如在Open Images Dataset數據集進行分類。在這個數據集中，會有很多重疊的標籤，比如女人、人，如果使用softmax則意味著每個候選框只對應著一個類別，但是實際上並不總是這樣。複合標籤的方法能對數據進行更好的建模。
3. 加深網路： 採用簡化的residual block 取代了原來 1×1 和 3×3的block; (其實就是加了一個shortcut，也是網路加深必然所要採取的手段)。這和上一點是有關係的，v2的darknet-19變成了v3的darknet-53，為啥呢？就是需要上採樣啊，卷積層的數量自然就多了，另外作者還是用了一連串的3*3、1*1卷積，3*3的卷積增加channel，而1*1的卷積在於壓縮3*3卷積後的特徵表示。
4. router：由於top down 的多級預測，進而改變了router（或者說concatenate）時的方式，將原來詭異的reorg改成了upsample

下一代YOLO長啥樣？

1. mAP會繼續提高。隨著模型訓練越來越高效，神經網路層級的不斷加深，信息抽象能力的不斷提高，以及一些小的修修補補，未來的目標檢測應用mAP會不斷提升。
2. 實時檢測會成為標配。目前所謂的「實時」，工業界是不認可的。為什麼呢，因為學術圈的人，驗證模型都是建立在TitanX或者Tesla這類強大的獨立顯卡上，而實際的潛在應用場景中，例如無人機/掃地/服務機器人/視頻監控等，是不會配備這些「重型裝備」的。所以，在嵌入式設備中，如FPGA，輕量級CPU上，能達到的實時，才是貨真價實的。
3. 模型小型化成為重要分支。類似於tiny YOLO的模型分支會受到更多關注。模型的小型化是應用到嵌入式設備的重要前提。而物聯網機器人無人機等領域還是以嵌入式設備為主的。模型剪枝/二值化/權值共享等手段會更廣泛的使用。

說點題外話：

YOLO讓人聯想到龍珠里的沙魯（cell），不斷吸收同化對手，進化自己，提升戰鬥力：YOLOv1吸收了SSD的長處（加了 BN 層，擴大輸入維度，使用了 Anchor，訓練的時候數據增強），進化到了YOLOv2；

吸收DSSD和FPN的長處， 仿ResNet的Darknet-53，仿SqueezeNet的縱橫交叉網路，又進化到YOLO第三形態。

但是，我相信這一定不是最終形態。。。讓我們拭目以待吧！

論 文：https://pjreddie.com/media/files/papers/YOLOv3.pdf

翻 譯：https://zhuanlan.zhihu.com/p/34945787

代 碼：https://github.com/pjreddie/darknet

官 網： https://pjreddie.com/darknet/yolo

Youtube：https://www.youtube.com/watch?v=MPU2HistivI

舊 版：

https://pjreddie.com/darknet/yolov2/

https://pjreddie.com/darknet/yolov1/

推薦閱讀：