yolo類檢測演算法解析——yolo v3
計算機視覺的發展史可謂很長了，它的分支很多，而且理論那是錯綜複雜交相輝映，就好像數學一樣，如何學習數學？這問題似乎有點籠統、有點寬泛。
yolo類演算法，從開始到現在已經有了3代，我們稱之為v1、v2、v3,v3現在成為了開源通用目標檢測演算法的領頭羊（ps：雖然本人一直都很欣賞SSD，但是不得不說V3版本已經達到目前的顛覆）。一直以來，有一個問題困擾許久，那就是如何檢測兩個距離很近的同類的物體，當然又或者是距離很近的不同類的物體？絕大部分演算法都會對傳入的data做resize到一個更小的resolution，它們對於這種情況都會給出一個目標框，因為在它們的特徵提取或者回歸過程看來，這就是一個物體（可想本來就很近，一放縮之間的近距離越發明顯了），而事實上這是兩個同（或不同）型別的物體靠的很近，這個難題是目標檢測和跟蹤領域的一個挑戰。就好像對小目標的檢測，一直以來也被看做是演算法的一種評估。但是啊，v3版本卻做到了，它對這種距離很近的物體或者小物體有很好的魯棒性，雖然不能保證百分百，但是這個難題得到了很大程度的解決，激發我對yolo類演算法的研究。這也是為什麼寫這篇文章的目的，在於見證一下這個演算法的神奇。其實，百分百的檢測，在我看來事實上是不存在的，隨著時間的推移，環境的變化，任何妄言百分百準確的演算法都是扯，只能是相互調整吧。前幾天uber撞人事件其實我最關注的應該是哪個環節存在的問題，還需要改進，撞人是不可避免的，無人車的存在不是讓事故不發生，而是讓社會進步，科技發展，逐步降低事故發生率的同時改善人們的生活質量。
yolo的v1和v2都不如SSD演算法，原諒這麼直白，原因是v1版本的448和v2版本的416都不如SSD的300，當然以上結論都是實驗測的，v3版本的416應該比SSD512好，可見其效能。
對官方yolo做了實驗，實驗中，採用同一個視訊、同一張顯示卡，在閾值為0.3的前提下，對比了v3和v2的測試效果之後，有了下面兩個疑問：
1.為什麼v3和v2版本的測試效能提高很大，但速度卻沒有降低？
2.為什麼v3效能上能有這麼大的改進？或者說為什麼v3在沒有提高輸入資料解析度的前提下，對小目標檢測變得這麼好？
要回答上述兩個問題，必須要看看作者釋出的v3論文了，將v3和v2不一樣的地方總結一下：
- loss不同：作者v3替換了v2的softmax loss 變成logistic loss，而且每個ground truth只匹配一個先驗框。
- anchor bbox prior不同：v2作者用了5個anchor，一個折衷的選擇，所以v3用了9個anchor，提高了IOU。
- detection的策略不同：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。
- backbone不同：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，這波操作很具有實用性，一增一減，效果棒棒。
為什麼有這麼大的提高？我指的是v2和v3比，同樣是416的feature map，我感覺是v2作者當時也是做了很多嘗試和借鑑，實現了匹敵SSD的效果，但是他因為被借鑑的內容所困擾，導致效能的停留，因此v3再借鑑，應該是參考了DSSD和FPN，這應該是之後的潮流了，做了一下結果效能提高很大，可能作者本人都沒想到。但是作者目前沒有寫篇論文，認為沒有創造性實質性的改變，寫了一個report，科研的精神值得肯定！如果對比v2和v3你會發現反差確實很大，所以上面的問題才不奇怪。
又為什麼速度沒有下降？電腦上同環境測都是15幀左右。先看一下列印的日誌：
v2的日誌資訊：
Demo layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 max 2 x 2 / 2 416 x 416 x 32 -> 208 x 208 x 32 2 conv 64 3 x 3 / 1 208 x 208 x 32 -> 208 x 208 x 64 1.595 BFLOPs 3 max 2 x 2 / 2 208 x 208 x 64 -> 104 x 104 x 64 4 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 5 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 6 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 7 max 2 x 2 / 2 104 x 104 x 128 -> 52 x 52 x 128 8 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 9 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 10 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 11 max 2 x 2 / 2 52 x 52 x 256 -> 26 x 26 x 256 12 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 13 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 14 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 15 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 16 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 17 max 2 x 2 / 2 26 x 26 x 512 -> 13 x 13 x 512 18 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 19 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 20 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 21 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 22 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 23 conv 1024 3 x 3 / 1 13 x 13 x1024 -> 13 x 13 x1024 3.190 BFLOPs 24 conv 1024 3 x 3 / 1 13 x 13 x1024 -> 13 x 13 x1024 3.190 BFLOPs 25 route 16 26 conv 64 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 64 0.044 BFLOPs 27 reorg / 2 26 x 26 x 64 -> 13 x 13 x 256 28 route 27 24 29 conv 1024 3 x 3 / 1 13 x 13 x1280 -> 13 x 13 x1024 3.987 BFLOPs 30 conv 125 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 125 0.043 BFLOPs 31 detection mask_scale: Using default '1.000000' Loading weights from yolo-voc.weights...Done!
v3的日誌資訊：
Demo layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs 2 conv 32 1 x 1 / 1 208 x 208 x 64 -> 208 x 208 x 32 0.177 BFLOPs 3 conv 64 3 x 3 / 1 208 x 208 x 32 -> 208 x 208 x 64 1.595 BFLOPs 4 res 1 208 x 208 x 64 -> 208 x 208 x 64 5 conv 128 3 x 3 / 2 208 x 208 x 64 -> 104 x 104 x 128 1.595 BFLOPs 6 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 7 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 8 res 5 104 x 104 x 128 -> 104 x 104 x 128 9 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 10 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 11 res 8 104 x 104 x 128 -> 104 x 104 x 128 12 conv 256 3 x 3 / 2 104 x 104 x 128 -> 52 x 52 x 256 1.595 BFLOPs 13 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 14 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 15 res 12 52 x 52 x 256 -> 52 x 52 x 256 16 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 17 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 18 res 15 52 x 52 x 256 -> 52 x 52 x 256 19 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 20 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 21 res 18 52 x 52 x 256 -> 52 x 52 x 256 22 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 23 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 24 res 21 52 x 52 x 256 -> 52 x 52 x 256 25 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 26 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 27 res 24 52 x 52 x 256 -> 52 x 52 x 256 28 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 29 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 30 res 27 52 x 52 x 256 -> 52 x 52 x 256 31 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 32 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 33 res 30 52 x 52 x 256 -> 52 x 52 x 256 34 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 35 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 36 res 33 52 x 52 x 256 -> 52 x 52 x 256 37 conv 512 3 x 3 / 2 52 x 52 x 256 -> 26 x 26 x 512 1.595 BFLOPs 38 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 39 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 40 res 37 26 x 26 x 512 -> 26 x 26 x 512 41 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 42 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 43 res 40 26 x 26 x 512 -> 26 x 26 x 512 44 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 45 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 46 res 43 26 x 26 x 512 -> 26 x 26 x相關推薦
yolo類檢測演算法解析——yolo v3
計算機視覺的發展史可謂很長了，它的分支很多，而且理論那是錯綜複雜交相輝映，就好像數學一樣，如何學習數學？這問題似乎有點籠統、有點寬泛。yolo類演算法，從開始到現在已經有了3代，我們稱之為v1、v2、v3,v3現在成為了開源通用目標檢測演算法的領頭羊（ps：雖然本人一直都很欣賞SSD，但是不得不說V3版本已經
在iOS上實現YOLO目標檢測演算法
YOLOv2簡介 yolov2的輸入為416x416，然後通過一些列的卷積、BN、Pooling操作最後到13x13x125的feature map大小。其中13x13對應原圖的13x13網格，如下圖所示。 125來自5x(5+20)，表示每一個
yolo 目標檢測演算法個人總結（yolov1）
yolo 目標檢測演算法個人總結 目前yolo目標檢測有兩個版本，分別為v1和v2。因工作需要用yolo演算法檢測人物，所以這段時間重點看了這兩篇論文，並實現了對應的tensorflow程式碼。這裡記錄下在論文閱讀過程中的一些細節資訊，留給自己，同時也希望各位能指出本人
Yolo-lite:實時的適用於移動裝置的目標檢測演算法(比ssd和mobilenet更快)
YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers 論文：Yolo-lite paper 專案：Yolo-lite 摘要： 作者提出了一種可以應用於行動式裝置中執行的
目標檢測演算法另一分支的發展（one stage檢測演算法）：YOLO、SSD、YOLOv2/YOLO 9000、YOLOv3
目標檢測可以理解為是物體識別和物體定位的綜合，不僅僅要識別出物體屬於哪個分類，更重要的是得到物體在圖片中的具體位置。 目前的目標檢測演算法分為兩類： 一類是two-stage，two-stage檢測演算法將檢測問題劃分為兩個階段，首先產生候選區域（region proposals），然後
理解yolo系列目標檢測演算法
在計算機視覺任務中，如果說做的最成熟的是影象識別領域，那麼緊隨其後的應該就是目標檢測了。筆者接觸目標檢測也有一段時間了，用mobilenet_ssd演算法做過手機端的實時目標檢測，也用faster-rcnn做過伺服器端的二維碼檢測，儘管一直都知道yolo的效果也
常用目標檢測演算法：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
一、目標檢測常見演算法 object detection，就是在給定的圖片中精確找到物體所在位置，並標註出物體的類別。所以，object detection要解決的問題就是物體在哪裡以及是什麼的整個流程問題。
深度學習（四）——目標檢測演算法YOLO的訓練和檢測過程的基本思路介紹
基礎知識掌握情況決定研究的高度，我們剛開始接觸深度學習時，一般都是看到別人的概括，這個方法很好能讓我們快速上手，但是也有一個很大的缺點， 知識理解的不透徹，導致我們對演算法優化時一頭霧水。我也是抱著知識總結的思想開始自己的深度學習知識精髓的探索，也希望能從中幫助到
YOLO v1,YOLO v2,YOLO9000演算法總結與原始碼解析
1.YOLO v1簡介 YOLO出自2016 CVPR 《You Only Look Once:Unified, Real-Time Object Detection》。YOLO將目標區域定位於目標類別預測整合於單個神經網路模型中，實現了在準確率較高的情況下快
目標檢測演算法：RCNN、YOLO vs DPM
以下內容節選自我的研究報告。 1. 背景 目標檢測（object detection）簡單說就是框選出目標，並預測出類別的一個任務。它是一種基於目標幾何和統計特徵的影象分割，將目標的分割和識別合
YOLO——基於迴歸的目標檢測演算法
YOLO: You Only Look Once：Unified, Real-Time Object Detection 這篇論文的內容並不多，核心思想也比較簡單，下面相當於是對論文的翻譯！ YOLO是一個可以一次性預測多個Box位置和類別的卷積神經網
YOLO系列之YOLO-Lite：實時執行在CPU上的目標檢測演算法
實時目標檢測一直是yolo系列的追求之一，從yolo v1開始，作者就在論文中強調real-time。在後期的v2和v3的發展過程中，慢慢在P&R(尤其是recall rate)上下不少功夫。同時，計算量的增大也犧牲了yolo的實時性。 tiny-yolo是輕量級的
目標檢測演算法綜述：R-CNN，faster R-CNN，yolo，SSD，yoloV2
1 引言 深度學習目前已經應用到了各個領域，應用場景大體分為三類：物體識別，目標檢測，自然語言處理。上文我們對物體識別領域的技術方案，也就是CNN進行了詳細的分析，對LeNet-5 AlexNet VGG Inception ResNet MobileNet等各種優秀的模型
一種告訴你圖片裡馬冬梅，冬馬梅分別在哪裡的演算法，YOLO演算法2016論文筆記
寫在最前面 作者Joseph Redmon是我曾經的男神。作為當時學深度學習時亮到我的文章（他的官網也是“亮”到了我），我決定第一篇論文筆記就寫這篇YOLO演算法論文。對於一張影象，其中的物體可能很多，如何識別其中物體是什麼，在哪裡，就要看這篇代表作品了。 論文名 Y
【AI實戰】動手訓練自己的目標檢測模型（YOLO篇）
在前面的文章中，已經介紹了基於SSD使用自己的資料訓練目標檢測模型（見文章：手把手教你訓練自己的目標檢測模型），本文將基於另一個目標檢測模型YOLO，介紹如何使用自己的資料進行訓練。 YOLO（You only look once）是目前流行的目標檢測模型之一，目前最新已經發
論文筆記：目標檢測演算法（R-CNN，Fast R-CNN，Faster R-CNN，YOLOv1-v3）
R-CNN（Region-based CNN） motivation：之前的視覺任務大多數考慮使用SIFT和HOG特徵，而近年來CNN和ImageNet的出現使得影象分類問題取得重大突破，那麼這方面的成功能否遷移到PASCAL VOC的目標檢測任務上呢？基於這個問題，論文提出了R-CNN。 基本步驟：如下圖
Yolo目標檢測和識別（第二課）
引用地址： 承接上一章 由於上一章修改Makefile中的OPENCV=1重新make卻一直報錯，因此一直在網上查詢解決方案。最後重灌了opencv，並且嘗試了這個網站給出的解決方案，依然不能重新得到darknet的檔案（因為只有得到了這個檔案才算是make成
深度學習實戰（1）--手機跑目標檢測模型（YOLO，從DarkNet到Caffe再到NCNN完整打通）
這篇算是關鍵技術貼，YOLO是什麼、DarkNet是什麼、Caffe是什麼、NCNN又是什麼…等等這一系列科普這裡就完全不說了，牽扯實在太多，通過其他帖子有一定的積累後，看這篇就相對容易了。 本文核心：把一個目標檢測模型跑到手機上 整個工作分以下幾個階段： 1
深度學習實戰（1）--手機端跑YOLO目標檢測網路（從DarkNet到Caffe再到NCNN完整打通）
深度學習實戰（1）--手機端跑YOLO目標檢測網路（從DarkNet到Caffe再到NCNN完整打通） 這篇算是關鍵技術貼，YOLO是什麼、DarkNet是什麼、Caffe是什麼、NCNN又是什麼…等等這一系列科普這裡就完全不說了，牽扯實在太多，通過其他帖子有一定的積累後，看這
YOLO視訊檢測
二.檢測 輸入如下命令： ./darknet detector demo cfg/coco.data cfg/yolo.cfg weights/yolo.weights data/input.avi 注：我的視訊放在data目錄下 三.檢測結