当前位置：首页 > news >正文

YOLO系列论文综述（从YOLOv1到YOLOv11）【第5篇：YOLOv3——多尺度预测】

news 来源：原创 2025/5/12 22:32:16

YOLOv3

1 摘要
2 YOLOv3
- 2.1 相对于v2的改进
- 2.2 网络架构
- 2.3 多尺度预测
- 2.4 YOLOv3结果

YOLO系列博文：

【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
【第2篇：YOLO系列论文、代码和主要优缺点汇总】
【第3篇：YOLOv1——YOLO的开山之作】
【第4篇：YOLOv2——更好、更快、更强】
【第5篇：YOLOv3——多尺度预测】
【第6篇：YOLOv4——最优速度和精度】
【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
【第9篇：YOLOv7——跨尺度特征融合】
【第10篇：YOLOv8——集成检测、分割和跟踪能力】
【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
【第13篇：YOLOv10——实时端到端物体检测】
【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
【第15篇（完结）：讨论和未来展望】

1 摘要

发表日期：2018年4月
作者：Joseph Redmon, Ali Farhadi
论文：YOLOv3: An Incremental Improvement
代码：https://pjreddie.com/darknet/yolo/
主要优缺点：
- 使用Darknet-53作为主干网络，结合残差网络提高检测精度；
- 引入多尺度预测来改善对小物体的检测；
- 取消软分类器，使用独立的二元分类器提高模型性能。

2 YOLOv3

YOLOv3由 Joseph Redmon 和 Ali Farhadi 在 2018 年发表于 ArXiv上，它有着显著的改进和更大的架构，以达到与当时SOTA方法相当的水平，同时保持实时性能。

2.1 相对于v2的改进

YOLOv3相对于v2的变化如下：

边界框预测：YOLOv2网络为每个边界框预测四个坐标 tx, ty, tw, th，类似的，YOLOv3 使用逻辑回归为每个边界框预测一个目标性分数。对于与真实框重叠度最高的锚框，这个分数是 1，其余锚框则是 0。与 Faster R-CNN相反，YOLOv3 只为每个真实物体分配一个锚框。此外，如果没有任何锚框被分配给一个对象，则只会产生分类损失，而不会产生定位损失或置信度损失。

anchor

类别预测：v3没有使用 softmax 进行分类，而是将问题表示为多标签分类，使用二元交叉熵来训练独立的逻辑分类器。这一改变允许同一个框可以被赋予多个标签，可以很好地应用到一些具有重叠标签的复杂数据集中。例如，同一个物体既可以是“人”也可以是“男人”。
新的骨干网络：YOLOv3 具有一个更大的特征提取器，由 53 个带有残差连接的卷积层组成。
空间金字塔池化（SPP）：论文中没有提到，作者还在骨干网络中添加了一个修改后的 SPP 块，该块将多个最大池化输出拼接在一起，但不进行下采样（步长 = 1），每个输出具有不同的核，大小是k × k，其中 k = 1, 5, 9, 13，扩大了感受野。这个版本被称为 YOLOv3-spp，是表现最好的版本，AP50 提高了 2.7%。
多尺度预测：类似于特征金字塔网络，YOLOv3 在三个不同尺度上预测三组框。
先验边界框：与 YOLOv2 类似，作者也使用 k-means 来确定Anchor。区别在于，在 YOLOv2 中，每格使用总共五个先验框，而在 YOLOv3 中，他们在三个不同尺度上使用三个先验框。

这些改进共同使得 YOLOv3 在维持实时性能的同时，达到了与当时的SOTA方法相媲美的效果。

2.2 网络架构

YOLOv3 中提出的架构骨干网络被称为 Darknet-53，它将所有的最大池化层替换为步幅卷积，并添加了残差连接，总共包含 53 个卷积层。

网络架构
Darknet-53 骨干网络在 Top-1 和 Top-5 准确率上与 ResNet-152 相当，但速度几乎快了一倍。

2.3 多尺度预测

除了更大的架构外，YOLOv3 的一个关键特性是多尺度预测，即在多个网格尺寸上进行预测，这有助于获得更精细的边界框，并显著提高了小物体的预测能力，这是之前版本YOLO的主要劣势之一。

多尺度检测架构工作原理如下图所示：

多尺度预测

第一个输出标记为y1，相当于YOLOv2的输出，大小是13×13。

第二个输出y2由Darknet-53中的(Res×4)的输出与(Res×8)的输出拼接而成。因为特征图大小不同（13×13和26×26），所以在拼接前有一个上采样的操作。

最后，通过上采样操作，第三个输出y3将26×26和52×52的特征图拼接起来。

对于包含80个类别的COCO数据集，每个尺度提供一个形状为N×N×[3×(4+1+80)]的输出张量，其中N×N是特征图（或网格单元）的大小，3表示每个单元格中的框数，而4+1包括四个坐标值和目标性分数，80是类别数。

2.4 YOLOv3结果

当YOLOv3发布时，物体检测的基准已经从PASCAL VOC变为了Microsoft COCO。因此，从那时起，所有的YOLO模型都在MS COCO数据集上进行评估。YOLOv3-spp在20帧每秒（FPS）的速度下达到了平均精度AP 36.2%和AP50 60.6%，这在当时达到了SOTA水平，并且速度是其他模型的两倍。