進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

PaperWeekly發表於2018-05-11

YOLO

作者丨浩克匠心

研究方向丨基於深度學習的實時目標檢測

知乎專欄丨計算視覺與深度學習的小屋

YOLOv3的前世今生

2015 年，R-CNN 橫空出世，目標檢測 DL 世代大幕拉開。

各路豪傑快速迭代，陸續有了 SPP，fast，faster 版本，至 R-FCN，速度與精度齊飛，區域推薦類網路大放異彩。

奈何，未達實時檢測之基準，難獲工業應用之青睞。

此時，憑速度之長，網格類檢測異軍突起，先有 YOLO，繼而 SSD，更是摘實時檢測之桂冠，與區域推薦類二分天下。然準確率卻時遭世人詬病。

遂有 JR 一鼓作氣，並 coco，推 v2，增加輸出類別，成就 9000。此後一年，作者隱遁江湖，逍遙 twitter。偶獲靈感，終推 v3，橫掃武林！

準確率不再是短板

自從 YOLO 誕生之日起，它就被貼上了兩個標籤：

速度很快
不擅長檢測小物體

而後者，成為了很多人對它望而卻步的原因。

由於原理上的限制，YOLO 僅檢測最後一層卷積輸出層，小物體畫素少，經過層層卷積，在這一層上的資訊幾乎體現不出來，導致難以識別。

YOLOv3 在這部分提升明顯，先看看小物體的識別。

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

▲ YOLOv3的識別結果

直觀地看下和 YOLOv2 的對比圖如下。可以看出，對於小物體的識別，提高非常明顯。

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

無論是傳統的模式識別影像檢測，還是基於 CNN 的視覺檢測，對於緊湊密集或者高度重疊目標的檢測通常是非常困難的。比如對合影的人群檢測在 YOLOv2 上的結果：

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

而下面是 v3 的結果

一次檢測到圖中 90% 的人，還增加了 tie（領帶）這個新類別，非常驚豔！

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

再看看模型的泛化能力如何：

骷髏並不在訓練資料集中，但是透過訓練模型強大的泛化能力，自動將其歸類到了人類（也算是最為合理的近似處理了）。

這在 YOLOv2 中是檢測不到的。

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

那麼，模型泛化能力很強的副作用，就是分類結果跑偏，比如下面這張 coser 的識別圖，最左側的人識別成了馬：

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

訓練和檢測都很快

論文中做了詳盡的對比。

和前輩們比，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。

和同輩們比，YOLOv3-608 檢測準確率比 DSSD 更高，接近 FPN，但是檢測時間卻只用了後面兩者的三分之一不到。

原因如論文中所說，它在測試時觀察整張影像，預測會由影像中的全域性上下文（global context）引導。它還透過單一網路評估做出預測，而不像 R-CNN 這種系統，一張圖就需要成千上萬次預測。

進擊的YOLOv3，目標檢測網路的巔峰之作 | 內附實景大片

用了哪些黑科技？

1. 多級預測

終於為 YOLO 增加了 top down 的多級預測，解決了 YOLO 顆粒度粗，對小目標無力的問題。

v2 只有一個 detection，v3 一下變成了 3 個，分別是一個下采樣的，feature map 為 13*13，還有 2 個上取樣的 eltwise sum，feature map 為 26*26，52*52，也就是說 v3 的 416 版本已經用到了 52 的 feature map，而 v2 把多尺度考慮到訓練的 data 取樣上，最後也只是用到了 13 的 feature map，這應該是對小目標影響最大的地方。

在論文中從單層預測五種 boundingbox 變成每層 3 種 boundongbox。

2. loss不同

作者 v3 替換了 v2 的 softmax loss 變成 logistic loss，由於每個點所對應的 bounding box 少並且差異大，每個 bounding 與 ground truth 的 matching 策略變成了 1 對 1。

當預測的目標類別很複雜的時候，採用 logistic regression 進行分類是更有效的，比如在 Open Images Dataset 資料集進行分類。

在這個資料集中，會有很多重疊的標籤，比如女人、人，如果使用 softmax 則意味著每個候選框只對應著一個類別，但是實際上並不總是這樣。複合標籤的方法能對資料進行更好的建模。

3. 加深網路

採用簡化的 residual block 取代了原來 1×1 和 3×3 的 block（其實就是加了一個 shortcut，也是網路加深必然所要採取的手段）。

這和上一點是有關係的，v2 的 darknet-19 變成了 v3 的 darknet-53，為啥呢？就是需要上取樣啊，卷積層的數量自然就多了，另外作者還是用了一連串的 3*3、1*1 卷積，3*3 的卷積增加 channel，而 1*1 的卷積在於壓縮 3*3 卷積後的特徵表示。

4. Router

由於 top down 的多級預測，進而改變了 router（或者說 concatenate）時的方式，將原來詭異的 reorg 改成了 upsample。

下一代YOLO長啥樣？

1. mAP 會繼續提高：隨著模型訓練越來越高效，神經網路層級的不斷加深，資訊抽象能力的不斷提高，以及一些小的修修補補，未來的目標檢測應用mAP會不斷提升。

2. 實時檢測會成為標配：目前所謂的“實時”，工業界是不認可的。為什麼呢，因為學術圈的人，驗證模型都是建立在 TitanX 或者 Tesla 這類強大的獨立顯示卡上，而實際的潛在應用場景中，例如無人機/掃地/服務機器人/影片監控等，是不會配備這些“重型裝備”的。所以，在嵌入式裝置中，如 FPGA，輕量級 CPU 上，能達到的實時，才是貨真價實的。

3. 模型小型化成為重要分支：類似於 tiny YOLO 的模型分支會受到更多關注。模型的小型化是應用到嵌入式裝置的重要前提。而物聯網機器人無人機等領域還是以嵌入式裝置為主的。模型剪枝/二值化/權值共享等手段會更廣泛的使用。