如左上图所示，Darknet-53是论文中提出的一种网络模型结构，可以作为检测模型的backbone，相较于 Darknet-19加深了网络层数，引入了Resnet中的跨层加和操作。如右上图所示，Darknet在ImageNet上的准确率比Darknet-19高近3个点，与ResNet-101和ResNet-152准确率相当，但计算复杂度和FPS要明显比这两者好很多。

上图YOLOV3的Backbone部分采用的是Darknet-53结构，在Neck部分进行了高层特征与底层特征的融合，融合时采用了上采样的方法将高层特征图的长宽各增加一倍，高层特征获得了与底层特征图相同的尺寸，这样就可以concat到一起了。输出层输出三个尺寸的特征，小尺寸特征图用于检测大尺寸的物体，大尺寸特征图检测小尺寸物体。特征的输出维度为NxNx[3x(4+1+80)]，NxN为输出特征图grid cell的数目，一共3个框，每个框有4维预测框数值 $t_{x}$ , $t_{y}$ , $t_{w}$ , $t_{h}$ ，1维预测框置信度，80维物体类别数（COCO数据集一共80个类别）。

先验框

anchor box其实就是从训练集的所有ground truth box中统计(使用k-means)出来的在训练集中最经常出现的几个box形状和尺寸。比如，在某个训练集中最常出现的box形状有扁长的、瘦高的和宽高比例差不多的正方形这三种形状。我们可以预先将这些统计上的先验（或来自人类的）经验加入到模型中，这样模型在学习的时候，瞎找的可能性就更小了些，当然就有助于模型快速收敛了。以前面提到的训练数据集中的ground truth box最常出现的三个形状为例，当模型在训练的时候我们可以告诉它，你要在grid cell 1附件找出的对象的形状要么是扁长的、要么是瘦高的、要么是长高比例差不多的正方形，你就不要再瞎试其他的形状了。anchor box其实就是对预测的对象范围进行约束，并加入了尺寸先验经验，从而实现多尺度学习的目的。

先验框计算

前提需要知道，
$c_{x}$ 和 $c_{y}$ 的坐标是(0,0) (0,1),(0,2),(0,3)…(0,13),(1,0),(1,1),(1,2),(1,3)…(1,13)等等;

bouding box的输出应当为： $t_{x}$ , $t_{y}$ , $t_{w}$ , $t_{h}$ ;

而真实的预测box应当是： $b_{x}$ , $b_{y}$ （中心坐标）, $b_{w}$ , $b_{h}$ （宽高）;

每个格子grid cell是以1为一个范围，每个grid cell的大小实际是1 ∗ 1

上图中的几个关系式拆开分析：

$b_{x}=\sigma (t_{x}) + c_{x}$

$b_{y}=\sigma (t_{y}) + c_{y}$

其中， $\sigma (t_{x})$ 为sigmoid函数;
$c_{x}$ 和 $c_{y}$ 分别为grid cell方格左上角点相对整张图片的坐标。

式子中使用sigmoid主要目的是将 $t_{x}$ 和 $t_{y}$ 压缩到(0,1)区间内，可以加速模型在训练前期的收敛。另外，用sigmoid将 $t_{x}$ 和 $t_{y}$ 压缩到[0,1]区间內，可以有效的确保目标中心处于执行预测的网格单元中，防止偏移过多。 sigmoid的结果再加上 $c_{x}$ 和 $c_{y}$ 即中心落入的grid cell坐标就能得到该物体在feature map上的中心坐标了。

对于：

$b_{w}=p_{w}e^{t_{w}}$

$b_{h} = p_{h}e^{t_{h}}$

其中， $p_{w}$ 和 $p_{h}$ 为anchor box的宽和高;
$t_{w}$ 和 $t_{h}$ 为bounding box直接预测出的宽和高;
$b_{w}$ 和 $b_{h}$ 为转换后预测的实际宽和高。

这也就是最终预测中输出的宽和高。公式中包含了 $e^{t_{w}}$ 和 $e^{t_{h}}$ 项，首先它没有像中心坐标点那样被限制到0-1之间说明它与anchor box的宽高相乘是一个比较自由的值，对预测的框的宽高没有限制，因为实际情况也是宽高可以很大也可以很小。其次，在求导的时候 $e^{t_{w}}$ 和 $e^{t_{h}}$ 项便于求导。

训练

1.预测框一共分为三种情况：正例（positive）、负例（negative）、忽略样例（ignore）。

2.正例：任取一个ground truth，与4032个框全部计算IOU，IOU最大的预测框，即为正例。并且一个预测框，只能分配给一个ground truth。例如第一个ground truth已经匹配了一个正例检测框，那么下一个ground truth，就在余下的4031个检测框中，寻找IOU最大的检测框作为正例。ground truth的先后顺序可忽略。正例产生置信度loss、检测框loss、类别loss。预测框为对应的ground truth box标签（需要反向编码，使用真实的x、y、w、h计算出 $\hat{t_{x}},\hat{t_{y}},\hat{t_{w}},\hat{t_{h}}$ ）；类别标签对应类别为1，其余为0；置信度标签为1。

3.忽略样例：正例除外，与任意一个ground truth的IOU大于阈值（论文中使用0.5），则为忽略样例。忽略样例不产生任何loss。

4.负例：正例除外（与ground truth计算后IOU最大的检测框，但是IOU小于阈值，仍为正例），与全部ground truth的IOU都小于阈值（0.5），则为负例。负例只有置信度产生loss，置信度标签为0。

关于box参数的转换还有一点值得一提，作者在训练中并不是将 $t_{x}$ , $t_{y}$ , $t_{w}$ , $t_{h}$ 转换为 $b_{x}$ , $b_{y}$ , $b_{w}$ , $b_{h}$ 后与ground truth box的对应参数求误差，而是使用上述公式的逆运算将ground truth box的参数转换为与 $t_{x}$ , $t_{y}$ , $t_{w}$ , $t_{h}$ 对应 $g_{x}$ , $g_{y}$ , $g_{w}$ , $g_{h}$ ,然后再计算误差。

也就是说，我们训练的输出是 $t_{x}$ , $t_{y}$ , $t_{w}$ , $t_{h}$ ，那么计算误差的时候，也是利用真实框的 $\hat{t}_{x}$ , $\hat{t}_{y}$ , $\hat{t}_{w}$ , $\hat{t}_{h}$ 这几个值计算误差。

根据预测框的公式我们可以推出实际框的公式：

$g_{x}= \sigma (t_{x}) + c_{x}$

$g_{y}= \sigma (t_{y}) + c_{y}$

$g_{w}= p_{w}e^{t_{w}}$

$g_{h}= p_{h}e^{t_{h}}$

计算中由于sigmoid函数的反函数那计算，所以并没有计算sigmoid的反函数，而是计算输出对应的sigmoid函数值。得到 $\sigma (\hat{t_{x}})$ , $\sigma (\hat{t_{y}})$ $\hat{t}_{w}$ , $\hat{t}_{h}$ :

$\sigma (\hat{t_{x}}) = g_{x} - c_{x}$

$\sigma (\hat{t_{y}}) = g_{y} - c_{y}$

$\hat{t_{w}} = log(g_{w}/p_{w})$

$\hat{t_{h}} = log(g_{h}/p_{h})$

这样，我们就可以根据训练的输出 $\sigma (t_{x})$ , $\sigma (t_{y})$ , $t_{w}$ , $t_{h}$ 与真实框 $\sigma (\hat{t_{x}})$ , $\sigma (\hat{t_{y}})$ $\hat{t}_{w}$ , $\hat{t}_{h}$ 求出误差了。

Loss函数

第一个特征图的损失抽象表达：

总的Loss表示：

1. $\lambda$ 为权重常数，控制检测框Loss、obj置信度Loss、noobj置信度Loss之间的比例，通常负例的个数是正例的几十倍以上，可以通过权重超参控制检测效果。

2. $l_{ij}^{obj}$ 若是正例则输出1，否则为0； $l_{ij}^{noobj}$ 若是负例则输出1，否则为0；忽略样例都输出0。

3.x、y、w、h使用MSE作为损失函数，也可以使用smooth L1 loss（出自Faster R-CNN）作为损失函数。smooth L1可以使训练更加平滑。置信度、类别标签由于是0，1二分类，所以使用交叉熵作为损失函数。

置信度

还存在一个很关键的问题：在训练中我们挑选哪个bounding box的准则是选择预测的box与ground truth box的IOU最大的bounding box做为最优的box，但是在预测中并没有ground truth box，怎么才能挑选最优的bounding box呢？这就需要另外的参数了，那就是下面要说到的置信度。

表示一种自信程度：框出的box内确实有物体的自信程度和框出的box将整个物体的所有特征都包括进来的自信程度。经过以上的解释，其实我们也就可以用数学形式表示置信度的定义了：

$C_{i}^{j} = Pr(Object) *IOU_{pred}^{truth}$

其中 $Pr(Object)$ 表示当前box是否有对象，该对象表示除背景以外的所有待检测物体。IOU表示预测的框与真实框可能的IOU值，表达自己框出了物体的自信程度。

如何训练 $C_{i}^{j}$ ?

训练中， $\hat{C_{i}^{j}}$ 表示真实值， $\hat{C_{i}^{j}}$ 的取值是由grid cell的bounding box有没有负责预测某个对象决定的。如果负责，那么 $\hat{C_{i}^{j}}$ =1，否则， $\hat{C_{i}^{j}}$ =0。

负责预测某个对象的anchor box与该对象的ground truth box的IOU在所有的anchor box 与ground truth box的IOU中最大，那它就负责预测这个对象。

对象条件类别概率

对象条件类别概率是一组概率的数组，数组的长度为当前模型检测的类别种类数量，它的意义是当bounding box认为当前box中有对象时，要检测的所有类别中每种类别的概率。

讨论

欢迎大家加群讨论

Reference

【论文理解】理解yolov3的anchor、置信度和类别概率_DLUT_yan的博客-CSDN博客_yolo置信度

【论文解读】Yolo三部曲解读——Yolov3 - 知乎

【论文理解】yolov3损失函数_DLUT_yan的博客-CSDN博客_yolov3损失函数

【精读AI论文】YOLO V3目标检测（附YOLOV3代码复现）_哔哩哔哩_bilibili

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Li_阴宅/article/detail/860969