作者丨浩克匠心
研究方向丨基于深度学习的实时目标检测
知乎专栏丨计算视觉与深度学习的小屋
YOLOv3的前世今生
2015 年，R-CNN 横空出世，目标检测 DL 世代大幕拉开。
各路豪杰快速迭代，陆续有了 SPP，fast，faster 版本，至 R-FCN，速度与精度齐飞，区域推荐类网络大放异彩。
奈何，未达实时检测之基准，难获工业应用之青睐。
此时，凭速度之长，网格类检测异军突起，先有 YOLO，继而 SSD，更是摘实时检测之桂冠，与区域推荐类二分天下。然准确率却时遭世人诟病。
遂有 JR 一鼓作气，并 coco，推 v2，增加输出类别，成就 9000。此后一年，作者隐遁江湖，逍遥 twitter。偶获灵感，终推 v3，横扫武林！
准确率不再是短板
自从 YOLO 诞生之日起，它就被贴上了两个标签：
速度很快
不擅长检测小物体
而后者，成为了很多人对它望而却步的原因。
由于原理上的限制，YOLO 仅检测最后一层卷积输出层，小物体像素少，经过层层卷积，在这一层上的信息几乎体现不出来，导致难以识别。
YOLOv3 在这部分提升明显，先看看小物体的识别。
▲ YOLOv3的识别结果
直观地看下和 YOLOv2 的对比图如下。可以看出，对于小物体的识别，提高非常明显。
无论是传统的模式识别图像检测，还是基于 CNN 的视觉检测，对于紧凑密集或者高度重叠目标的检测通常是非常困难的。比如对合影的人群检测在 YOLOv2 上的结果：
而下面是 v3 的结果
一次检测到图中 90% 的人，还增加了 tie（领带）这个新类别，非常惊艳！
再看看模型的泛化能力如何：
骷髅并不在训练数据集中，但是通过训练模型强大的泛化能力，自动将其归类到了人类（也算是最为合理的近似处理了）。
这在 YOLOv2 中是检测不到的。
那么，模型泛化能力很强的副作用，就是分类结果跑偏，比如下面这张 coser 的识别图，最左侧的人识别成了马：
训练和检测都很快
论文中做了详尽的对比。
和前辈们比，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。
和同辈们比，YOLOv3-608 检测准确率比 DSSD 更高，接近 FPN，但是检测时间却只用了后面两者的三分之一不到。
原因如论文中所说，它在测试时观察整张图像，预测会由图像中的全局上下文（global context）引导。它还通过单一网络评估做出预测，而不像 R-CNN 这种系统，一张图就需要成千上万次预测。
用了哪些黑科技？
1. 多级预测
终于为 YOLO 增加了 top down 的多级预测，解决了 YOLO 颗粒度粗，对小目标无力的问题。
v2 只有一个 detection，v3 一下变成了 3 个，分别是一个下采样的，feature map 为 13*13，还有 2 个上采样的 eltwise sum，feature map 为 26*26，52*52，也就是说 v3 的 416 版本已经用到了 52 的 feature map，而 v2 把多尺度考虑到训练的 data 采样上，最后也只是用到了 13 的 feature map，这应该是对小目标影响最大的地方。
在论文中从单层预测五种 boundingbox 变成每层 3 种 boundongbox。
2. loss不同
作者 v3 替换了 v2 的 softmax loss 变成 logistic loss，由于每个点所对应的 bounding box 少并且差异大，每个 bounding 与 ground truth 的 matching 策略变成了 1 对 1。
当预测的目标类别很复杂的时候，采用 logistic regression 进行分类是更有效的，比如在 Open Images Dataset 数据集进行分类。
在这个数据集中，会有很多重叠的标签，比如女人、人，如果使用 softmax 则意味着每个候选框只对应着一个类别，但是实际上并不总是这样。复合标签的方法能对数据进行更好的建模。
3. 加深网络
采用简化的 residual block 取代了原来 1×1 和 3×3 的 block（其实就是加了一个 shortcut，也是网络加深必然所要采取的手段）。
这和上一点是有关系的，v2 的 darknet-19 变成了 v3 的 darknet-53，为啥呢？就是需要上采样啊，卷积层的数量自然就多了，另外作者还是用了一连串的 3*3、1*1 卷积，3*3 的卷积增加 channel，而 1*1 的卷积在于压缩 3*3 卷积后的特征表示。
4. Router
由于 top down 的多级预测，进而改变了 router（或者说 concatenate）时的方式，将原来诡异的 reorg 改成了 upsample。
下一代YOLO长啥样？
1. mAP 会继续提高：随着模型训练越来越高效，神经网络层级的不断加深，信息抽象能力的不断提高，以及一些小的修修补补，未来的目标检测应用mAP会不断提升。
2. 实时检测会成为标配：目前所谓的“实时”，工业界是不认可的。为什么呢，因为学术圈的人，验证模型都是建立在 TitanX 或者 Tesla 这类强大的独立显卡上，而实际的潜在应用场景中，例如无人机/扫地/服务机器人/视频监控等，是不会配备这些“重型装备”的。所以，在嵌入式设备中，如 FPGA，轻量级 CPU 上，能达到的实时，才是货真价实的。
3. 模型小型化成为重要分支：类似于 tiny YOLO 的模型分支会受到更多关注。模型的小型化是应用到嵌入式设备的重要前提。而物联网机器人无人机等领域还是以嵌入式设备为主的。模型剪枝/二值化/权值共享等手段会更广泛的使用。
说点题外话
YOLO 让人联想到龙珠里的沙鲁（cell），不断吸收同化对手，进化自己，提升战斗力：YOLOv1 吸收了 SSD 的长处（加了 BN 层，扩大输入维度，使用了 Anchor，训练的时候数据增强），进化到了 YOLOv2；
吸收 DSSD 和 FPN 的长处，仿 ResNet 的 Darknet-53，仿 SqueezeNet 的纵横交叉网络，又进化到 YOLO 第三形态。
但是，我相信这一定不是最终形态。让我们拭目以待吧！
YOLOv3实景大片儿
这周忙里偷闲，把 darknet 的代码撸了一遍，里面有趣的东西很多。
能看出来作者是有野心的，YOLO 不只是一个目标检测应用，它还是一个完全基于 C 语言的通用神经网络架构，以及很多以此为基础的深度学习应用，比如基于 RNN 的莎士比亚戏剧剧本自动生成器：
基于策略网络的 darknet 版阿法狗（DarkGo）：
基于 GAN 的 darknet 版 Deep Dream（Nightmare）：
挑战 SqueezeNet 的压缩网络 TinyYOLO（Redmon 号称后者比前者更快、小、准）等等。
当然，做得最好的还是目标检测。darknet 自带有视频检测，及网络摄像头实时视频检测。
但是，目前网上介绍的 YOLO 的文章多是用的论文和 Github 工程自带的 sample 图片（dog，kite…），其实这不太公平。
在源代码基础上加了一点保存视频的代码（代码链接在文尾），生成了如下的视频，看看当 Mr Bean 遇到 YOLO 会产生什么样的化学反应！
▲ YOLOv3效果展示
https://zhuanlan.zhihu.com/p/36478097
注：本视频基于 coco 数据集，YOLOv3 cfg 和 weights。检测视频没有声音，音轨是后加的。
存在一些识别错误，但是整体来说，亮点很多。
截取几个瞬间
▲ 性能提升最大的是小物体或者远处的物体识别
▲ 重叠遮挡物体的识别
▲ 运动模糊物体的识别
▲ 高密度汽车的识别
▲ 密集人群识别
相关链接
[1]. 论文
https://pjreddie.com/media/files/papers/YOLOv3.pdf
[2]. 翻译
https://zhuanlan.zhihu.com/p/34945787
[3]. 代码
https://github.com/pjreddie/darknet
[4]. 官网
https://pjreddie.com/darknet/yolo/
[5]. YouTube
https://www.youtube.com/watch?v=MPU2HistivI
[6]. 旧版
https://pjreddie.com/darknet/yolov2/
https://pjreddie.com/darknet/yolov1/
[7]. 源码分享
https://github.com/muyiguangda/darknet
[8]. YOLOv3在Windows下的配置（无GPU）
https://blog.csdn.net/baidu_36669549/article/details/79798587
