華盛頓大學推出YOLOv3：檢測速度快SSD和RetinaNet三倍

近日，來自華盛頓大學的 Joseph Redmon 和 Ali Farhadi 提出 YOLO 的最新版本 YOLOv3。通過在 YOLO 中加入設計細節的變化，這個新模型在取得相當準確率的情況下實現了檢測速度的很大提升，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。機器之心對論文進行了編譯，代碼和視頻 demo 詳見文中。

代碼地址：https://pjreddie.com/yolo/.

1. 引言

有時，你一整年全在敷衍了事而不自知。比如今年我就沒做太多研究，在推特上揮霍光陰，置 GANs 於不顧。憑著上年余留的一點動力，我成功對 YOLO 做了一些升級。但實話講，沒什麼超有趣的東西，只不過是些小修小補。同時我對其他人的研究也盡了少許綿薄之力。

於是就有了今天的這篇論文。我們有一個最終截稿日期，需要隨機引用 YOLO 的一些更新，但是沒有資源。因此請留意技術報告。

技術報告的優勢在於其不需要介紹，你自然知道來由。因此簡介的最後將為余文提供路標。首先我將介紹 YOLOv3 的結局方案；接著是其實現。我們也會介紹一些失敗案例。最後是本文的總結與思考。

2. 解決方案

這一部分主要介紹了 YOLOv3 的解決方案，我們從其他研究員那邊獲取了非常多的靈感。我們還訓練了一個非常優秀的分類網路，因此原文章的這一部分主要從邊界框的預測、類別預測和特徵抽取等方面詳細介紹整個系統。

簡而言之，YOLOv3 的先驗檢測（Prior detection）系統將分類器或定位器重新用於執行檢測任務。他們將模型應用於圖像的多個位置和尺度。而那些評分較高的區域就可以視為檢測結果。

此外，相對於其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經網路應用於整張圖像，該網路將圖像劃分為不同的區域，因而預測每一塊區域的邊界框和概率，這些邊界框會通過預測的概率加權。

我們的模型相比於基於分類器的系統有一些優勢。它在測試時會查看整個圖像，所以它的預測利用了圖像中的全局信息。與需要數千張單一目標圖像的 R-CNN 不同，它通過單一網路評估進行預測。這令 YOLOv3 非常快，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

圖 1：我們從 Focal Loss 論文 [7] 中採用了這張圖。YOLOv3 在實現相同準確度下要顯著地比其它檢測方法快。時間都是在採用 M40 或 Titan X 等相同 GPU 下測量的。

圖 2：帶有維度先驗和定位預測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，並使用 Sigmoid 函數預測邊界框相對於濾波器應用位置的中心坐標。

表 1：Darknet-53 網路架構。

表 2：主幹架構的性能對比：準確率（top-1 誤差、top-5 誤差）、運算次數（/十億）、每秒浮點數運算次數（/十億），以及 FPS 值。

表 3：該表來自 [7]。從中看出，YOLOv3 表現得不錯。RetinaNet 需要大約 3.8 倍的時間來處理一張圖像，YOLOv3 相比 SSD 變體要好得多，並在 AP_50 指標上和當前最佳模型有得一拼。

圖 3：也是借用了 [7] 中的圖，展示了以.5 IOU 指標的速度/準確率權衡過程（mAP vs 推斷時間）。從圖中可以看出 YOLOv3 準確率高，速度也快。

最後，機器之心也嘗試使用預訓練的 YOLOv3 執行目標檢測，在推斷中，模型需要花 1s 左右載入模型與權重，而後面的預測與圖像本身的像素大小有非常大的關係。因此，吃瓜小編真的感覺 YOLOv3 很快哦。

論文：YOLOv3: An Incremental Improvement

論文鏈接：https://pjreddie.com/media/files/papers/YOLOv3.pdf

摘要：我們在本文中提出 YOLO 的最新版本 YOLOv3。我們對 YOLO 加入了許多設計細節的變化，以提升其性能。這個新模型相對更大但準確率更高。不用擔心，它依然非常快。對於 320x320 的圖像，YOLOv3 可以達到 22ms 的檢測速度，獲得 28.2mAP 的性能，與 SSD 的準確率相當但是速度快 3 倍。當我們使用舊版.5 IOU mAP 檢測指標時，YOLOv3 是非常不錯的。它在一塊 TitanX 上以 51ms 的速度達到了 57.9 AP_50 的性能，而用 RetinaNet 則以 198ms 的速度獲得 57.5 AP_50 的性能，性能相近但快了 3 倍。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！