Yolo v3目标检测网络详解
Yolo介绍
Yolo(You only look once)是经典的单阶段目标检测方法, 它于2016年提出第一版Yolov1，至今仍有许多基于它的改进模型。本文主要介绍的Yolov3就是其中之一。
首先来介绍Yolo v1、v2(Yolo9000)以及Yolov3之间有什么区别及改进之处。
Yolov1首先将目标检测作为一个回归问题来解决，使用单个神经网络直接从整个图片中预测边界框以及类别概率，它速度很快，可以做到实时目标检测。
Yolo v2相比yolo v1更快，而且更准。它有以下几点改进：
1、使用了BatchNorm,让网络更容易拟合。
2、在预训练的ImageNet模型上，使用更高分辨率图片对模型进行fine-tune，得到了更好的分类器。
3、使用了anchor，去除了yolo v1中的全连接层，此处借鉴了faster rcnn的anchor策略，全部改为卷积层来预测边界框。
4、使用了维度聚类的方法（以iou为距离度量，对先验框进行kmeans聚类），获得了更好的先验框，让网络得到了更好的预测结果。
5、多尺度训练，使用了不同尺寸的图片进行训练，使网络可以适应不同分辨率大小的数据。
6、直接预测坐标，直接预测物体中心相对于所处网格的坐标。
7、跳过连接，融合不同尺度的特征。
Yolo v3相比于yolo v2精度更高，速度稍有下降。它主要在以下几个方面进行了改进：
1、特征提取网络采用了残差结构，并且层数更多。
2、yolo v3在3个尺度上进行检测，依次检测大、中、小物体。
Yolo v3网络结构
首先介绍Yolov3中的backbone网络，如下图所示，左边为Yolov2使用的backbone(Darknet19)，右边为Yolov3使用的backbone(Darknet53)，Darknet53为全卷积结构，它去掉了所有的MaxPooling层，并且增加了更多的卷积层。它共包含了23个残差块，经过了5次下采样，最后backbone的输出大小为网络输入的1/32。由于网络的加深，Yolov3的速度比Yolov2稍慢。
Yolo v3的网络结构如下图所示，Conv2D block包含了5个卷积层，整个网络结构相对比较简单，比两阶段检测方法，比如faster rcnn要容易许多。
Yolo v3实现过程
- 输入图片通过backbone得到3个尺度的特征图(从上往下：feat1 -> (256 * 52 * 52), feat2 -> (512 * 26 * 26), feat3 -> (1024 * 13 * 13))，分别在3种尺度上进行检测。
- 3个特征图经过5层卷积（Conv2D Block）后，分别进入不同的分支，一条分支进行卷积+上采样，得到的特征图与上层的特征图进行通道合并（Concat），另一条分支通过两层卷积直接输出预测结果。
- 最后一个卷积层为1 * 1卷积，卷积核尺寸为(B * (5 + C)) * 1 * 1，B表示一个网格可以预测边界框的数目，C代表C个类别概率，5表示了4个坐标值(tx,ty,tw, th)和1个物体置信度。对于coco数据集，C=80，B=3。最终3个尺度的检测结果的尺寸分别是255 * 52 * 52、255 * 26 * 26和255 * 52 * 52。
下图展示了在feat3特征图上的检测结果，特征图上的一个像素对应原图中的一个网格，每个尺度定义了3种anchor，即每个网格会有3个预测框，每个预测框具有（5 + C）个属性。网络在3个尺度上检测，所以整个网络共检测13 * 13 * 3 + 26 * 26 * 3 + 52 * 52 * 3 = 10647个边界框。
Yolov3误差
Yolov3的误差包括了置信度误差、分类误差和定位误差。前面提到每个预测框具有(5 + C)个属性，5表示了4个坐标值(tx,ty,tw,th)和1个物体置信度，这里的4个坐标是相对于物体中心所处网格的左上角而言的，物体置信度表示该预测框包含物体的概率，包含物体则置信度为1，否则为0。C表示C个类别概率。
如下图表示了Yolov1网络（没找到Yolov3的误差的公式）的误差组成，Yolov3把后面三项都改成了二分类交叉熵误差了。
绿色框和黄色框表示置信度误差（conf_loss），绿色框表示了在第i个网格中的第j个预测框包含物体时的conf_loss，黄色框表示在第i个网格中的第j个预测框不包含物体时的conf_loss。
红色框表示定位误差(loc_loss)，只有预测框包含物体才计算定位误差，定位误差中。
紫色框表示了分类误差(cls_loss)，Pi(c)表示第i个网格中属于第c个类别的条件概率。只有物体出现在第i个网格内，该网格才负责检测这个物体，才计算分类误差。
置信度误差和分类误差都使用二分类损失误差(BCE)。至于分类误差并未使用多分类交叉熵误差，原文是这样解释的，使用单独的逻辑分类器有助于网络在开放数据集上的表现，这些数据集内通常包含重叠的标签（比如人和男人），使用softmax就意味着每个预测框必须是确定的某一个类别，而使用多标签的方法可以更好对数据建模。定位误差使用平方根损失误差(MSE)。
另外，为了缓解背景框和前景框的不平衡问题(在所有的预测框中，前景框只有极少一部分)，增加了额外两个参数λcoor和λnoobj，在Yolov1中λcoor=5，λnoobj=0.5,提高前景框定位误差的权重，降低背景框的权重。
接着，来介绍一下预测坐标和预测框之间的关系。预测坐标只是相对于网格的坐标，我们需要将预测坐标转换为相对于原图的坐标。下图展示了预测坐标与预测框之间的对应关系。
参数说明
$\sigma$： sigmoid函数
$P_h$: 预定义的anchor高度
$P_h$: 预定义的anchor宽度
$grid\_x$: 物体中心所处网格左上角x坐标
$grid\_y$: 物体中心所处网格左上角y坐标
网络预测坐标为:$t_x,t_y,t_w,t_h$
最终预测框的坐标为:
<?XML:NAMESPACE PREFIX = "[default] http://www.w3.org/1998/Math/MathML" NS = "http://www.w3.org/1998/Math/MathML" />{x=σ(tx)+grid_xy=σ(ty)+grid_yw=etw∗Pwh=eth∗Ph\begin{cases}x = \sigma(t_x) + grid\_x \\y = \sigma(t_y) + grid\_y\\ w = e^{t_w} * P_w \\h = e^{t_h} * P_h\end{cases}⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧x=σ(tx)+grid_xy=σ(ty)+grid_yw=etw∗Pwh=eth∗Ph
Yolov3主要代码
网络构建
网络搭建使用yolo官方的配置文件yolov3.cfg进行构建，以下结合cfg配置文件对网络中各个网络层进行简要说明：
#-----------------------------------------# #---------------网络的超参数---------------# #-----------------------------------------# [net] # Testing #batch=1 #subdivisions=1 # Training batch=16 subdivisions=1 # 网络输入图片的宽度 width=416 # 网络输入图片的高度 height=416 channels=3 momentum=0.9 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 learning_rate=0.001 burn_in=1000 max_batches = 500200 policy=steps steps=400000,450000 scales=.1,.1 #-----------------------------------------# #-------------------卷积层-----------------# #-----------------------------------------# [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=leaky #-----------------------------------------# #-------------------捷径层-----------------# #-----------------------------------------# # 残差连接 [shortcut] # 指示前一层输出与哪一层进行残差连接 # -3从后往前第3层 from=-3 activation=linear #-----------------------------------------# #-------------------捷径层-----------------# #-----------------------------------------# # 跳跃连接 [route] # 指示前一层输出与哪一层进行跳跃连接（concat） # -3从后往前第3层 layers = -4 #-----------------------------------------# #------------------上采样层----------------# #-----------------------------------------# # 上采样 [upsample] stride=2 #-----------------------------------------# #-------------------yolo层-----------------# #-----------------------------------------# [yolo] # 指示yolo层采用anchors中的哪些anchor mask = 6,7,8 # 表示网络共有9种预定义anchor大小 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 # 数据集类别数 classes=80 # 预定义anchor数目 num=9 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=1
Yolo层
class YoloLayer(nn.Module):
"""
Params
anchors(list): 预定义的anchor，列表中的每一个元素对应一个anchor大小
num_class(integer): 类别数目
img_dim(integer): 输入图片尺寸(长宽一致)
"""
def __init__(self, anchors, num_class, img_dim):
super(YoloLayer, self).__init__()
self.anchors = anchors
self.num_anchors = len(anchors)
self.num_class = num_class
self.img_dim = img_dim
# 每个anchors具有的属性向量长度为 ({x, y, h, w, Pobj} + 类别数),
self.bbox_attrs = 5 + self.num_class
def forward(self, x, calc_loss=True):
"""
Params:
x(tensor): shape -> (batch_size, 5 + class_num, img_dim / x.shape[2], img_dim / x.shape[2])
Return
output(tensor): shape -> (batch_size, img_dim *img_dim / (x.shape[2]*x.shape[2]), 5 + class_num)
"""
# 预定义anchor数目
num_anchors = self.num_anchors
batch_size = x.shape[0]
# 特征图大小
size = x.shape[2]
# 计算步幅，即缩放倍数
stride = self.img_dim / size
prediction = x.view(batch_size, num_anchors, self.bbox_attrs, size, size).permute(0, 1, 3, 4, 2).contiguous()
# 确保坐标的偏移量在0-1范围内
pred_conf = t.sigmoid(prediction[..., 4])
pred_cls = t.sigmoid(prediction[..., 5:])
# 构建网格，根据预定义anchor尺寸，在每个网格上生成num_anchors个anchor
grid_x, grid_y = t.meshgrid(t.arange(size, dtype=t.float32), t.arange(size, dtype=t.float32))
grid_x, grid_y = grid_x.view(1, 1, size, size), grid_y.view(1, 1, size, size)
# 将对应到原图的anchor大小缩放到对应到特征图的尺度
scaled_anchors = t.tensor([[anchor_w / stride, anchor_h / stride] \
for anchor_w, anchor_h in self.anchors], dtype=t.float32)
anchor_w = scaled_anchors[:, 0].view(1, num_anchors, 1, 1)
anchor_h = scaled_anchors[:, 1].view(1, num_anchors, 1, 1)
pred_boxes = t.FloatTensor(prediction[..., :4].shape)
# 基于预测坐标得到预测框
pred_boxes[..., 0] = grid_x + t.sigmoid(prediction[..., 0])
pred_boxes[..., 1] = grid_y + t.sigmoid(prediction[..., 1])
pred_boxes[..., 2] = t.exp(prediction[..., 2]) * anchor_w
pred_boxes[..., 3] = t.exp(prediction[..., 3]) * anchor_h
# 合并预测框、置信度以及类别概率
output = t.cat(
(pred_boxes.view(batch_size, -1, 4) * stride,
pred_conf.view(batch_size, -1, 1),
pred_cls.view(batch_size, -1, self.num_class)),
-1)
if calc_loss:
return pred_boxes, pred_cls, pred_conf, prediction[..., :4], output
return output网络误差
build_target是误差计算中最重要的部分，它的功能是匹配，即匹配真实框和负责预测该真实框的预测框。它的主要过程如下：
a. 首先将归一化的真实框转换到特征图尺寸上的真实框。 b. 计算预定义anchor和真实框的iou，获取与每个真实框的最大iou及其索引，即可得到每个真实框需要使用哪个尺寸的anchor来匹配。 c. 根据真实框所处网格位置以及每个真实框匹配的anchor，得到每个真实框匹配的预测框。 d. 根据真实框的坐标，得到真实框相对于物体所处网格的位置, 以便于与预测坐标计算误差。
代码如下：
def build_targets(pred_boxes, pred_cls, target, anchors, ignore_thres, eps=1e-8):
"""
Params:
pred_boxes: 预测框，shape --> `(batch_size, anchors_num, grid_size, grid_size, 4)`
pred_cls: , 预测的类别概率，shape --> `(batch_size, anchors_num, grid_size, grid_size, num_class)`
target: 真实地面框，每一个元素包含了对应的batch、类别以及边界框坐标，shape --> `(batch_size, 6)`
anchors: 缩放后的预定义anchor的大小，shape --> `(3, 2)`
ignore_thres: 前景阈值
Return:
iou_scores: 预测框与真实框的iou，shape --> `(batch_size, anchors_num, grid_size, grid_size)`
class_mask: 预测的类别掩膜，shape --> `(batch_size, anchors_num, grid_size, grid_size)`
obj_mask: shape --> `(batch_size, anchors_num, grid_size, grid_size)`
noobj_mask: shape --> `(batch_size, anchors_num, grid_size, grid_size)`
txy: 变换后真实框的坐标，shape --> `(batch_size, anchors_num, grid_size, grid_size, 2)`
twh: 变换后真实框的长宽，shape --> `(batch_size, anchors_num, grid_size, grid_size, 2)`
tcls: 真实的分类结果, hot-encode形式，shape --> `(batch_size, anchors_num, grid_size, grid_size num_class)`,
tconf: shape --> `(batch_size, anchors_num, grid_size, grid_size)`
"""
batch_size = pred_boxes.shape[0]
num_anchors = pred_boxes.shape[1]
num_class = pred_cls.shape[-1]
size = pred_boxes.shape[2]
# output tensors
# 初始化
# λobj, anchor包含物体, 即为1，默认为0
obj_mask = t.ByteTensor(batch_size, num_anchors, size, size).fill_(0)
# λnoobj, anchor不包含物体, 则为1，默认为1
noobj_mask = t.ByteTensor(batch_size, num_anchors, size, size).fill_(1)
# 类别掩膜，类别预测正确即为1，默认全为0，
class_mask = t.FloatTensor(batch_size, num_anchors, size, size).fill_(0),
# 预测框与真实框的iou得分
iou_score = t.FloatTensor(batch_size, num_anchors, size, size).fill_(0)
# 真实框相对于网格的位置
txy = t.FloatTensor(batch_size, num_anchors, size, size, 2).fill_(0)
twh = t.FloatTensor(batch_size, num_anchors, size, size, 2).fill_(0)
tcls = t.FloatTensor(batch_size, num_anchors, size, size, num_class).fill_(0)
# target --> (target_num, 6), 归一化的坐标值
# 将归一化的真实框缩放到特征图尺寸上的真实框
target_boxes = target[:, 2:] * size
# 真实框的坐标
xy = target_boxes[:, :2]
# 真实框的尺寸
wh = target_boxes[:, 2:]
# 计算预定义anchor和真实框的iou，shape -> (len(anchors), len(wh))
# Note: 这里只需要确定哪个预定义anchor的尺寸和真实框的尺寸最接近, 最后用尺寸最接近的anchor来对真实框进行回归, 因此只需要宽高即可
iou = iou_wh(anchors, wh)
# 根据iou，得到与每个真实框最大的iou及其索引
best_iou, best_idx = iou.max(0)
# 获取真实框对应的batch和类别标签
b, target_label = target[:, :2].long().t()
# 获取真实框所处网格的位置，即匹配每个真实框到对应的网格，得到每个真实框需要使用哪个网格进行预测
gi, gj = xy.long().t()
# 预测框中包含物体的mask
obj_mask[b, best_idx, gj, gi] = 1
noobj_mask[b, best_idx, gj, gi] = 0
for i, anchor_iou in enumerate(iou.t()):
noobj_mask[b[i], anchor_iou > ignore_thres, gj[i], gi[i]] = 0
# 根据真实框的坐标和尺寸, 得到真实框相对于所处网格的位置, 以便于与预测坐标计算误差
txy[b, best_idx, gj, gi] = xy - xy.floor()
twh[b, best_idx, gj, gi] = t.log(wh / (eps + anchors[best_idx][:, :2]))
# 将真实框的标签转换为one-hot编码形式
tcls[b, best_idx, gj, gi, target_label] = 1
class_mask[b, best_idx, gj, gi] = (pred_cls[b, best_idx, gj, gi].argmax(-1) == target_label).float()
# 计算真实框相匹配的预测框和真实框之间的iou得分
iou_score[b, best_idx, gj, gi] = bbox_iou(pred_boxes[b, best_idx, gj, gi], target_boxes)
# 真实框的置信度
tconf = obj_mask.float()
return iou_score, class_mask, obj_mask, noobj_mask, txy, twh, tcls, tconf计算误差，根据匹配好的真实框和预测框计算误差。代码如下
def calc_loss(prediction_coor, pred_conf, pred_cls, obj_mask, noobj_mask, txy, twh, tcls, tconf):
"""
annotate
size: 特征图大小
Params
prediction_coor: 网络预测坐标, shape -> (batch_size, num_anchors, size, size, 4)
pred_conf: 预测的置信度, shape -> (batch_size, num_anchors, size, size)
pred_cls: 预测的类别概率, shape -> (batch_size, num_anchors, size, size, class_num)
obj_mask: 物体掩膜, 预测框包含物体即为1, shape -> (batch_size, num_anchors, size, size)
noobj_mask: 非物体掩膜, 预测框不包含物体即为1, shape -> (batch_size, num_anchors, size, size)
txy: 真实框中心坐标, shape -> (batch_size, num_anchors, size, size, 2)
twh: 真实框大小, shape -> (batch_size, num_anchors, size, size, 2)
tcls: 真实框类别one-hot编码, shape -> (batch_size, num_anchors, size, size, class_num)
tconf: 真实框的置信度, shape -> (batch_size, num_anchors, size, size)
Return
total_loss(float): 总误差
"""
xy = t.sigmoid(prediction_coor[..., :2])
wh = prediction_coor[..., 2:4]
# 定位误差
# Note: 计算loc_loss之前，需要把坐标转换到所处网格的相对坐标和尺寸
loss_xy = self.mse_loss(xy[obj_mask], txy[obj_mask])
loss_wh = self.mse_loss(wh[obj_mask], twh[obj_mask])
# 置信度误差，只能包含0和1
loss_conf_obj = self.bce_loss(pred_conf[obj_mask], tconf[obj_mask])
loss_conf_noobj = self.bce_loss(pred_conf[noobj_mask], tconf[noobj_mask])
# 给与包含物体的置信度误差和不包含物体的置信度误差不同的权重
loss_conf = self.obj_scale * loss_conf_obj + self.noobj_scale * loss_conf_noobj
# 分类误差
loss_cls = self.bce_loss(pred_cls[obj_mask], tcls[obj_mask])
# 总误差等于所有误差的总和
total_loss = loss_xy + loss_wh + loss_conf + loss_cls
return total_lossYolov3总结
相比于Yolov2，Yolov3加深了网络，并且采用了3种尺度进行检测，使用了更多的anchor，速度明显更慢(推理时间为29ms)，但精度却提升了不少(mAP-50达到了55.3),并且对于小目标的检测，效果更好。
other triks
Anchor的选择
Yolov3共使用了9种尺寸的anchor，那么9种尺寸是如何选择的呢。yolov3使用了维度聚类策略，对coco数据集中的所有真实框进行kmeans聚类，最终产生9个镞，得到9个anchor尺寸。
聚类距离度量采用如下的度量方式：
d(box; centroid) = 1 - IOU(box; centroid)
Reference
https://arxiv.org/abs/1506.02640
https://arxiv.org/abs/1612.08242
https://arxiv.org/abs/1804.02767
https://github.com/eriklinder...
https://blog.csdn.net/weixin_...
