个人网站
一 、前言
YOLO（You Only Look Once）是一种快速、高效、准确的目标检测算法，由Joseph Redmon等人于2016年提出。相比于其他目标检测算法，YOLO使用单个神经网络实现目标检测，使其更快、更高效。
YOLO算法的基本原理是将输入图像分成一个个网格，然后每个网格都会预测该网格内存在的物体的边框位置和类别概率。与传统的目标检测算法相比，YOLO在处理整个图像时只需要执行一次前向传递操作，因此速度非常快。此外，YOLO的网络结构比较简单，具有很强的通用性和可扩展性，可以应用于多种不同的目标检测任务。
在实际应用中，YOLO已经被广泛应用于各种计算机视觉应用，例如自动驾驶、监控和机器人。它以其高准确性和实时处理能力而闻名，是许多目标检测任务的首选算法之一。
二、YOlO_V3
1.概述
- 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
2.改进的程度
不要问为什么划到第四象限，在座各位都是**
3.多scale
为了能检测到不同大小的物体，设计了3个scale，V2说过聚类，聚类九种框，分大中小分别三种，
像感受野大的赋予大的三种框，依次给，13x13,26x26,52x52
怎么来的multi scale feature map呢？图像金字塔
用Resnet得到不同尺度大小特征图，最小13x13保存，复制一份进行上采样得到的特征图和原来卷积得到的特征图相加，保存26x26，然后继续上采样和原来特征图相加，得到52x52.
4.网络架构
再给出一个图
YOLOv3使用的方法有别于SSD，虽然都利用了多个特征图的信息，但SSD的特征是从浅到深地分别预测，没有深浅的融合，而YOLOv3的基础网络更像是SSD与FPN的结合。YOLOv3默认使用了COCO数据集，一共80个物体类别，因此一个Anchor需要80维的类别预测值，4个位置预测及一个置信度预测。每个cell有三个Anchor，因此一共需要3×（80+5）=255，也就是每一个特征图的预测通道数。
5.先验框设计
- YOLO-V2中选了5个，这回更多了，一共有9种
- 13*13特征图上：(116x90)，(156x198)，(373x326)
- 26*26特征图上：(30x61)，(62x45)，(59x119)
- 52*52特征图上：(10x13)，(16x30)，(33x23)
从网络结构中可以看出，YOLOv3输出了3个不同大小的特征图，从上到下分别对应深层、中层与浅层的特征。深层的特征尺寸小，感受野大，有利于检测大尺度物体，而浅层的特征图则与之相反，更便于检测小尺度物体，这一点类似于FPN结构。
YOLOv3依然沿用了预选框Anchor，由于特征图数量不再是一个，因此匹配方法也要相应地进行改变。具体做法是：依然使用聚类算法得到9中不同大小宽高的先验框，然后按照下图所示的方法进行先验框的分配，这样，每一个特征图上的一个点只需要3个先验框，而不是YOLOv2中的5个。
6.softmax层替代
- 物体检测任务中可能一个物体有多个标签
- 使用logistic激活函数来完成，这样就能预测每一个类别是/不是
通过设定一个阈值使得一个物体有多个标签，属于猫，和小猫的概率都大于0.8，既属于猫也是小猫
7.代码
可以debug过一下代码，重点看数据的加载，和把数据加载入模型，跑出来基本不可能，数据集是cocotrain2014，可以使用预训练权重文件进行测试，你可以找一些物体图片进行测试，放在data/sample
detect.py 运行
结果，不会有人不是IKUN吧
代码：链接: https://pan.baidu.com/s/1m5oYftmDES7YN_QsLqb-5A 提取码: pmcj