图解 YOLO v3 的网络架构和基本流程

近年来，由于在海量数据与计算力的加持下，深度学习对图像数据表现出强大的表示能力，成为了机器视觉的热点研究方向。图像的表示学习，或者让计算机理解图像是机器视觉的中心问题。

具体来说，图像理解包括分类、定位、检测与分割等单个或组合任务，如下图所示。

目标检测可以认为是一个将分类和回归相结合的任务。

目标检测的核心问题可以简述为**图像中什么位置有什么物体。**可以分为两类问题

定位问题：目标出现在图像中哪个位置（区域）。
分类问题：图像的某个区域里的目标属于什么类别。

当然，目标在图像中还存在其他问题，如尺寸问题，即物体具有不同大小；还有形状问题，即物体在各种角度下可以呈现各种形状。

基于深度学习的目标检测算法目前主要分为两类：Two-stage 和 One-stage。

Tow-stage

先生成区域（region proposal，简称 RP），即一个可能包含待检物体的预选框，再通过卷积神经网络进行分类。

任务流程：特征提取 --> 生成 RP --> 分类/定位回归。

常见 Two-stage 目标检测算法有：R-CNN、Fast R-CNN、Faster R-CNN、SPP-Net 和 R-FCN 等。

One-stage

直接用网络提取图像特征来预测物体位置和分类，因此不需要 RP。

任务流程：特征提取–> 分类/定位回归。

常见的 One-stage 目标检测算法有：YOLO 系列、SSD 和 RetinaNet 等。不过，为了得到最终目标的定位和分类，往往需要后处理。

YOLO v3基本原理

首先，我们先从整体上来看一下 YOLO v3 是如何工作的。YOLO v3 算法通过将图像划分为 NxN 个网格（grid）单元来工作，每个网格单元具有相同大小的区域。这 NxN 个网格单元中的每一个都负责对包含该网格的目标的检测和定位。

相应地，这些网格预测B个相对于它们所在单元格的包围盒相对坐标，以及目标标签和目标出现在单元格中的概率。

由于网格的分辨率比起原图来说已经大大降低，而检测和识别步骤都是针对网格单元来处理的，因此这个方案大大降低了计算量。但是，由于多个单元格用不同的包围盒来预测同一个对象，因此会带来了很多重复的预测框。YOLO v3 使用**非最大值抑制（Non-Maximum Suppression，NMS）**来处理这个问题。

下图给出了一个例子，展示了当 N=13 时的 13 x 13 个网格以及由此检测图中目标的大致流程。会涉及很多个包围盒，最后选出三个包围盒来定位和识别目标。

另外，为了兼顾图像中各种尺度的目标，可以使用多个不同分辨率的 NxN 个网格。很快将会看到，YOLO v3 中使用了 3 个尺度。

总体架构

先看一下网络架构，注意它有三个不同分辨率的输出分支。

从 Yolo v3 的流程图可以看到，总共有 106 层，实现了对每张图像在大、中、小三个尺度上检测目标。这个网格有三个出口，分别是 82 层、94 层、106 层。
下面看一下更加详细的网络架构图，注意有三个检测结果（Detection Result）。

上图左边是 DarkNet-53，是一个深度为 53 层的卷积神经网络，具体的残差块和卷积层如下图所示。

输入图像通过 Darknet 得到三个尺度的特征图，从上往下为 (52×52×256), (26×26×512), (13×13×1024)，也就是在三种尺度上进行以便检测到不同大小的目标。也可以结合下面这个更加精炼图来理解。

关键步骤

目标检测也可以看作是对图像中的背景和前景作某种理解分析，即从图像背景中分离出感兴趣的目标，得到对于目标的描述<位置，类别>。

由于可能有多个目标存在，模型输出是一个列表，包含目标的位置以及目标的类别。目标位置一般用矩形检测框（bounding box）的中心和宽高来表示。

模型输出值

分辨率最低的输出分支对应的结果是 13 x 13 x 255 ，下图展示了在 13 x 13 特征图上的检测结果，特征图上的一个像素对应一个网格，每个网格会有 3 个预测框，每个预测框具有（5 + C）个值，其中前 5 个数对应包围盒的位置以及属于目标的可能性，C 表示类别数。

具体来看，最后输出的结果为：每个网格单元对应一个 B x ( 5 + C) 维向量，B表示一个网格可以预测包围盒的数目，C上面已经说了，5个数值中的前 4个对应包围盒的中心位子和宽高值 (tx,ty,tw,th) 和 1个目标置信度po。

这个结果的含义大致清楚了，但是还有个小问题，就是这个输出是根据什么信息计算而来呢？

如下图所示，在前一层得到的特征图上再接一个核大小为 1x1 的卷积层得到最终的输出，即由每个网点的特征向量（1024 维）转化为我们需要的输出，即包围盒、目标置信度以及类别信息。

上面说了，在这个尺度上会检测 3 个预测框，把它们拼接在一起，得到完整的结果示意图如下。

另外两个尺度上类似，它们对应的分支输出如下两个图所示。

网络会在 3 个尺度上分别检测，每个尺度上每个网格点都预设 3 个包围盒，所以整个网络共检测到 13×13×3 + 26×26×3 + 52×52×3 = 10647个包围盒。

那么这里的 3 个预设包围盒又是怎么回事呢？

其实每个网格单元可以对目标的包围盒进行一定数量的猜测，比如下图中的示例，黄色网格单元进行两次包围盒（蓝色框）预测以定位人的位置。

而 YOLO v3 中采用 3 个预设包围盒，但值得注意的是这里限定只能检测同一个目标。

先验包围盒

还有一个问题，每个网格对应的包围盒怎么取呢？理论上，包围盒可以各种各样，但是这样的话就需要大量计算。

为了节省计算，不妨预先了解一下在图像中出现的目标一般具有怎么样的包围盒。可以通过在数据集 VOC 和 COCO 上使用聚类法寻找一般目标的包围盒尺寸。

在包围盒的维度上运行 k-means 聚类，以获得良好先验。左图显示了我们在选择 k 时得到的平均 IOU。在 YOLO v2 中，作者选择k=5，此时在模型的召回率与复杂性之间具有较好的平衡。右图显示了 VOC 和 COCO 的相对质心。两组先验都倾向于更薄、更高的盒子，而 COCO 的尺寸变化比 VOC 更大。
而在 YOLO v3 中，通过聚类选出了个先验包围盒: (10×13),(16×30),(33×23),(30×61),(62×45),(59×119),(116×90),(156×198),(373×326)。

包围盒预测

有了预设的先验包围盒，怎么来计算实际包围盒呢？总不能直接套到每个网格单元处就完事了吧。

YOLO v3 引入一个机制，可以适当调整预设包围盒来生成实际的包围盒。下图中的公式将网络输出值 (tx,ty,th,tw) 转换得到实际的包围盒信息 (bx,by,bw,bh)。

或者参考下图，

预测出包围盒中心点相对于网格单元左上角的相对坐标。

包围盒后处理

YOLO v3 模型的输出并没有直接给出包含目标的包围盒，而是包含所有网格单元对应结果的张量，因此需要一些后处理步骤来获得结果。

首先，需要根据阈值和模型输出的目标置信度来淘汰一大批包围盒。而剩下的包围盒中很可能有好几个围绕着同一个目标，因此还需要继续淘汰。这时候就要用到非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以认为求局部最优解。用在此处的基本思路就是选择目标置信度最大的包围盒，然后排除掉与之 IoU 大于某个阈值的附近包围盒。