同理，一脉相承yolo系列，只为yolov4作准备

yolov1～v2 传送门如下：

葫芦哥哥：yolov4之一 （你真的明白yolo v1吗）​zhuanlan.zhihu.com

葫芦哥哥：yolov4之一 （你真的明白yolo v2吗）（上）​zhuanlan.zhihu.com

葫芦哥哥：yolov4之一 （你真的明白yolo v2吗）（下）​zhuanlan.zhihu.com

延续yolo系列，在写yolo3之前撸了一遍代码，也查阅了大量大神们的博客，以及之前自己搜集的yolo3资源。发现yolov3需要说的事情大家都讲的很清楚，yolov3新亮点并不多。值得说的两个点外加一堆关于yolo3实现与有趣链接：

1.网络结构

为了达到更好的分类效果，作者自己设计训练了darknet-53。作者在ImageNet上实验发现这个darknet-53，的确很强，相对于ResNet-152和ResNet-101，darknet-53不仅在分类精度上差不多，计算速度还比ResNet-152和ResNet-101强多了，网络层数也比他们少。

Yolov3使用了darknet53的前面的52层（没有全连接层），yolo_v3这个网络是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度负面效果，作者直接摒弃了POOLing，用conv的stride来实现降采样。在这个网络结构中，使用的是步长为2的卷积来进行降采样。

Darknet-53处理速度每秒78张图，比Darknet-19慢不少，但是比同精度的ResNet快很多。Yolov3依然保持了高性能。

为了加强算法对小目标检测的精确度，YOLOv3中采用类似FPN的upsample和融合做法（最后融合了3个scale，其他两个scale的大小分别是26×26和52×52），在多个scale的feature map上做检测。

DBL:代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。

resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。

concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。

其中特征图的输出维度为

，

为输出特征图格点数，一共3个Anchor框，每个框有4维预测框数值

，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为

y1,y2,y3的具体来源解析

当输入为416×416时，实际总共有（52×52+26×26+13×13）×3=10647个proposal box。

2.训练策略

此处训练策略摘录于https://zhuanlan.zhihu.com/p/76802514

感谢声明

预测框一共分为三种情况：正例（positive）、负例（negative）、忽略样例（ignore）。
正例：任取一个ground truth，与4032个框全部计算IOU，IOU最大的预测框，即为正例。并且一个预测框，只能分配给一个ground truth。例如第一个ground truth已经匹配了一个正例检测框，那么下一个ground truth，就在余下的4031个检测框中，寻找IOU最大的检测框作为正例。ground truth的先后顺序可忽略。正例产生置信度loss、检测框loss、类别loss。预测框为对应的ground truth box标签（需要反向编码，使用真实的x、y、w、h计算出

）；类别标签对应类别为1，其余为0；置信度标签为1。

忽略样例：正例除外，与任意一个ground truth的IOU大于阈值（论文中使用0.5），则为忽略样例。忽略样例不产生任何loss。
负例：正例除外（与ground truth计算后IOU最大的检测框，但是IOU小于阈值，仍为正例），与全部ground truth的IOU都小于阈值（0.5），则为负例。负例只有置信度产生loss，置信度标签为0。

3.yolov3链接

emadboctorx/yolov3-keras-tf2​github.com

加入关键点的darknet训练框架，用yolov3实现了轻量级人脸检测​github.com基于YOLOv3/DeepSORT的行人检测与追踪​github.comPyTorch实现的YOLOv3​github.comYOLOv3各框架复现项目汇总(TensorFlow/PyTorch/Keras/Caffe/MXNet)​github.com对YOLOv3及Tiny的多种剪枝版本，以适应不同的需求​github.comYOLOv3多目标跟踪​github.comPython/YOLOv3自定义对象检测器实战指南​emaraic.comGaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving​arxiv.org

青山依旧，来日方长。

此文至此，欢迎拍砖。

下集预告终于到了 yolov4的具体paper内容了

不见不散