YOLO-v3
- 6. YOLO-v3
- 6.1 YOLO-v3 改进综述
- 6.2 多scale方法改进与特征融合
- 6.3 经典变换方法对比分析
- 6.4 残差连接方法解读
- 6.5 整体网络模型架构分析
- 6.6 先验框设计改进
- 6.7 softmax层改进
6. YOLO-v3
**tips：**作者本人因为美军广泛运用于军事领域，所以决定不再继续开发YOLO系列。但是其他人还是继续往后做了~v8都有了
注意，原点值（x轴预测时间，y轴map）是50而不是0！YOLO-v3比其他的强很多！
6.1 YOLO-v3 改进综述
- 终于到 V3了，最大的改进就是网络结构，使其更适合小目标检测
- 特征做的更细致，融入多持续特征图信息来预测不同规格物体
- 先验框更丰富了，3种scale，每种3个规格，一共9种
- softmax改进，预测多标签任务：多分类改成很多个二分类
6.2 多scale方法改进与特征融合
从上到下依次是检测小、中、大物体
[外链图片转存中…(img-tcdXelFQ-1675132984921)]
6.3 经典变换方法对比分析
很明显，左图的图像金字塔更能满足多尺度特征融合的要求，但是YOLO的特点是速度快，因此这样反而不合适，那右图合适吗？我们接着往下看：
右图是YOLO-v3的核心思想，13 * 13 的特征图可以上采样成26 * 26的特征图，然后融合原来的26 * 26的特征图。
6.4 残差连接方法解读
右边的曲线图表示模型的卷积层并不是越多越好；左图就是resnet所提出的想法：残差连接
残差连接会自动检测出不适合的参数，然后跳过，总结就是一句话：至少不比原来差！
6.5 整体网络模型架构分析
[外链图片转存中…(img-E1iE52ku-1675132984924)]
所有的重复部分用2x，8x等表示出来了。下图表示出了残差连接的部分：上采样——》拼接——》卷积
6.6 先验框设计改进
[外链图片转存中…(img-Td8DWG3g-1675132984924)]
*13 13 * 3 * 85：
- 尺度13*13
- 3种先验框
- 85=80（类别）+4（x，y，w，h）+1（confidence置信度）
[外链图片转存中…(img-rCJDp7RE-1675132984925)]
还是用聚类选择的先验框
结果：
[外链图片转存中…(img-rFfQYa7R-1675132984925)]
6.7 softmax层改进
加了一个交叉熵损失
二分类任务：取阈值大于某个值的作为正确值。
[外链图片转存中…(img-k45c0d5b-1675132984926)]
