CV——day72：从零开始学YOLO——YOLOv3（可以在我的资源里下载完整的v1到v3的笔记啦！）

YOLO-v36.YOLO-v36.1YOLO-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

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0YOLO-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2x8x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

8580类别4xywh1confidence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)]