YoLoV3原理详解 Yolo的整个网络，吸取了Resnet、Densenet、FPN的精髓，可以说是融合了目标检测当前业界最有效的全部技巧。
文章图片
一、backbone主网络
1、升级为Darknet-53
yolov3的backbone部分由Yolov2时期的Darknet-19进化至Darknet-53，加深了网络层数，引入了Resnet中的跨层加和操作，达到了resNet-152的精度，却更快了两倍。对比如下：
文章图片
2、Darknet-53的网络结构
共计大概53层，个人感觉就是resnet的轻微改版。
darknet-53、顾名思义有53个卷积层：
1）
DarkNet_53= Conv3x3 + Sum_(下采样 Conv3x3_步长为2 + N x DarkNetBlock) —N为下采样次数
2）
DarkNetBlock（含2层卷积）= Conv1x1 + Conv3x3 + Residual
3）
所以我们可以发现DarkNet-53一共有1 + (1 + 1 x 2 ) + (1 + 2 x2) + (1 + 8 x 2) + (1 + 8 x 2) + (1 + 4 x 2) +全连接= 53个卷积层。
文章图片
DarkNet-53相对DarkNet-19的有如下几点改进：
1、加深网络层，提升精度，虽然速度有所下降，但是精度有极大提升，可达到resnet-152精度。
2、进入了残差网络resNet模块，防止梯度下降
3、用卷积strid==2代替了池化，防止信息丢失
4、使用空间金字塔池化网络算法SPP（sppnet spatial pyramid pooling）实现多尺寸输入，同尺寸输出。
二、Head
1、多尺度预测
【深度学习各种积累|Yolov3/Yolov4原理对比改进创新】Yolov3采用了类似SSD的mul-scales策略，使用3个scale（13* 13，26* 26，52* 52）的feature map进行预测。yolov2没有，所以对于小目标很差。
有别于yolov2，这里作者将每个grid cell预测的边框数从yolov2的5个减为yolov3的3个。
和yolov2一样，anchor的大小作者还是使用kmeans聚类得出。在coco数据集上的9个anchor大小分别为：(10× 13);
(16× 30);
(33× 23);
(30× 61);
(62× 45);
(59×119);
(116 × 90);
(156 × 198);
(373 × 326)。
其中在yolov3中，最终有3个分支输出做预测，输出的特征图大小分别为13x13，26x26，52x52，每个特征图使用3个anchor，
13*13的特征图使用(116 × 90);
(156 × 198);
(373 × 326);
这3个anchor
26*26的特征图使用(30× 61);
(62× 45);
(59×119);
这3个anchor
52*52的特征图使用(10× 13);
(16× 30);
(33× 23);
这3个anchor
文章图片
anchor的参数构成：
N × N × [3 ? (4 + 1 + 80)] 。其中N为feature map的长宽，3表示3个anchor的边框，4表示边框的tx,ty,tw,th，1表示预测的边框的置信度，80表示分类的类别数。
类别预测-激活函数改变
考虑到检测物体的重叠情况，用多标签的方式sigmoid函数替代了之前softmax单标签方式；
文章图片
https://zhuanlan.zhihu.com/p/42865896
YoLoV4原理详解 总结一下YOLOv4框架：
Backbone： CSPDarknet53
Neck： SPP，FPN+PAN
Head： YOLOv3
YOLOv4 = CSPDarknet53 + SPP + (FPN+PAN) + YOLOv3
文章图片
一、输入端创新 Yolov4对训练时的输入端进行改进，使得训练在单张GPU上也能有不错的成绩。比如数据增强Mosaic、cmBN、SAT自对抗训练。
但感觉cmBN和SAT影响并不是很大，所以这里主要讲解Mosaic数据增强。
1、Mosaic数据增强
文章图片
Yolov4中使用的Mosaic是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接。
使用原因：
? 在平时项目训练时，小目标的AP一般比中目标和大目标低很多。而Coco数据集中也包含大量的小目标，但比较麻烦的是小目标的分布并不均匀。所以为了平衡小、中、大目标的占比数量。
优点：
1.扩充了数据集，均衡大中小目标数量：随机使用4张图片随机拼接，且通过随机缩放可以获得很多小目标，让网络的鲁棒性更好。
2.减少GPU：因为使用Mosaic增强进行训练时，4张图片被整合成一张图片，这样一来可以使mini-batch大小并不用很大，这样一个GPU就能达到比较好的效果。
二、backbone主网络创新
1、由yolov3的darknet-53升级为了CSPDarknet53.
主要变化为在DarkNet53网络结构中，融入了CSP这一网络架构。
文章图片
文章图片
https://blog.csdn.net/qq_48984174/article/details/111680645
2、Mish激活函数（backbone主干网络部分）：
Mish：x * tanh(ln(1+e^x))
文章图片
ReLU和Mish的对比，Mish的梯度更平滑。相比之下，Mish能更好地保持准确性，这可能是因为它能更好地传播信息。平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化。（具体的可以看mish论文）。
作者只在Backbone中采用了Mish激活函数，网络后面仍然采用Leaky_relu激活函数。
3、Dropblock
Yolov4中使用的Dropblock，其实和常见网络中的Dropout功能类似，也是缓解过拟合的一种正则化方式。
三、Neck Neck： SPP，FPN+PAN
FPN结构： 
文章图片
FPN+PAN结构 
文章图片
四、Head 相对于yolov3没有什么改变。
输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms
五、其他技巧 训练用到的小技巧：
训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减。
1、C_IOU
Yolov3&Yolov4网络结构与源码分析 - 吴建明wujianming - 博客园 https://www.cnblogs.com/wujianming-110117/p/13845974.html
推荐阅读
- 深度学习|faster rcnn 中的 region proposal函数(proposal_layer、anchor_target_layer、proposal_target_layer)
- 神经网络|深度学习入门笔记-第三章-神经网络
- 深度学习|循环神经网络（RNN）实现股票预测
- 深度学习|神经网络讲解与实例,如何理解神经网络
- 深度学习|迁移学习 & 凯明初始化
- yolov5|跑yolov5又出啥问题了（1）p，r，map全部为0
- 深度学习|Python21天学习挑战赛Day(11)·爬虫入门知识（应用）
- python|6.3 阈值处理-- Otsu 处理
- 深度学习|yolov5之魔化修改