YOLOv3原理及流程简述_yolov3预测过程

作者：你好赵伟 | 2024-05-17 19:32:22

踩

yolov3预测过程

核心思想

输入图像经过全卷积神经网络得到 3 种尺度（跨尺度预测）的输出特征图，在输出特征图上划分 cell(单元格)，对于 ground truth box 中心所在的 cell，该 cell 就负责预测 ground truth box 框中的目标。该 cell 先计算事先指定的 3 种 anchor 与 ground truth box 的 IOU，选出 IOU 最高的 anchor，然后用选出的 anchor 生成我们需要的检测框，最后根据该检测框对不同类别的置信度，来检测类别。

代码中实际上把每个 anchor 生成的检测框都计算出来了，然后在所有检测框中进行挑选。

网络结构

yolo 使用全卷积神经网络，包括 convolutional、shortcut、route、upsample 和 yolo，没有用 polling。

convolutional

stride 指定步长。

stride 为 1 的卷积层不改变输入特征图的大小。

stride 为 2 的卷积层进行下采样，将输入特征图缩小为 52 x 52、26 x 26 和 13 x 13，用于划分 cell。

shortcut

from 指定之前的网络层编号。

将之前一层和 from 指定的网络层的特征图相加，然后输出。

route

layers 指定之前的网络层编号。

layers 只有一个值时，将 layers 指定的网络层的特征图输出。

layers 有两个值时，将指定的两个网络层的特征图沿深度连接，然后输出。

upsample

将 13 x 13 放大成 26 x 26，26 x 26 放大成 52 x 52。

yolo

有 3 个 yolo，每个 yolo 对应于 3 种不同尺度的特征图——13 x 13、26 x 26 和 52 x 52。

每个 yolo 有 3 种 anchor，通过 anchor 和输入特征图，计算出检测框，计算方式见下文。

检测框属性

以下公式描述了如何转换网络输出特征图以获得预测边界框。

YOLO Equations

b_x、b_y、b_w、b_h是预测边界框的 x、y 中心坐标、宽度和高度。 t_x, t_y, t_w, t_h 是网络输出的特征图中的特征。 c_x 和 c_y 是网格的左上角坐标。 p_w 和 p_h 是anchor尺寸。

中心坐标

先用 sigmoid 归一化特征图输出的中心的坐标，再加上中心所在 cell 左上角的偏移坐标。

边界框尺寸

先用 exp 处理特征图输出的边界框的尺寸，然后乘以 yolo 中指定的 anchor 的尺寸。

Objectness Score

Objectness Score表示目标在边界框内的概率。对于红色和相邻单元格，它应该接近 1，而对于角落的网格，它几乎是 0。

objectness score 也通过 sigmoid 传递，因为它被解释为概率（在 0 到 1 之间）。

class score

表示检测到的目标属于特定类别（狗、猫、香蕉、汽车等）的概率，用 sigmoid 处理 class score。

检测框处理

利用类别置信度的阈值处理

根据边界框的 objectness score 过滤边界框，objectness score 低于阈值的边界框会被忽略。

NMS

避免多个边界框检测到同一个目标。

预测

输出的预测结果中，每张图像有 8 个属性，即该图像的索引、4 个角坐标、objectness score、置信度最大的类和该类的索引。

图像索引对应哪张图像，4 个角坐标对应检测框位置，类别索引对应检测框在该图像中检测出的类别。

创新点和改进

one-stage，同时进行边界框回归和目标分类，加快训练速度
YOLO 将图像划分为 S x S 网格，而不是用 RPN 网络提取 regional proposal，加快了检测速度
YOLO9000 引入 anchor，提高了检测的召回率
YOLOv3 使用特征金字塔网络结构，实现多尺度检测，提升对不同大小图像的检测准确度
因为一个框内的目标可能属于多个类别，分类预测不使用 softmax，而是使用多个独立的 logistic分类器，损失函数采二元交叉熵损失
更好的基础分类网络（类ResNet）和分类器

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/你好赵伟/article/detail/584963