現在，快到沒朋友的YOLO v3有PaddlePaddle實現了。相比原作者在 Darknet 實現的模型，PaddlePaddle 添加了其它一些模塊，且精度提高了 5.9個絕對百分點。

YOLO作為目標檢測領域的創新技術，一經推出就受到開發者的廣泛關注。值得一提的是，基於百度自研的開源深度學習平台PaddlePaddle的YOLO v3實現，參考了論文【Bag of Tricks for Image Classification with Convolutional NeuralNetworks】，增加了mixup，label_smooth等處理，精度(mAP(0.5：0.95))相比於原作者的實現提高了4.7個絕對百分點，在此基礎上加入synchronize batchnormalization, 最終精度相比原作者提高5.9個絕對百分點。我們將在下文中為大家詳解實現的具體過程。

CV領域的核心問題之一就是目標檢測（object detection），它的任務是找出圖像當中所有感興趣的目標（物體），確定其位置和大小（包含目標的矩形框）並識別出具體是哪個對象。Faster R-CNN及在其基礎上改進的Mask R-CNN在實例分割、目標檢測、人體關鍵點檢測等任務上都取得了很好的效果，但通常較慢。YOLO 創造性的提出one-stage，就是目標定位和目標識別在一個步驟中完成。

由於整個檢測流水線是單個網路，因此可以直接在檢測性能上進行端到端優化，使得基礎YOLO模型能以每秒45幀的速度實時處理圖像，較小網路的Fast YOLO每秒處理圖像可達到驚人的155幀。YOLO有讓人驚艷的速度，同時也有讓人止步的缺陷：不擅長小目標檢測。而YOLO v3保持了YOLO的速度優勢，提升了模型精度，尤其加強了小目標、重疊遮擋目標的識別，補齊了YOLO的短板，是目前速度和精度均衡的目標檢測網路。

項目地址：https://github.com/PaddlePaddle/models/blob/v1.4/PaddleCV/yolov3/README_cn.md

YOLO v3檢測原理

YOLO v3 是一階段End2End的目標檢測器。YOLO v3將輸入圖像分成S*S個格子，每個格子預測B個bounding box，每個boundingbox預測內容包括: Location(x, y, w, h)、Confidence Score和C個類別的概率，因此YOLO v3輸出層的channel數為S*S*B*(5+ C)。YOLO v3的loss函數也有三部分組成：Location誤差，Confidence誤差和分類誤差。

圖：YOLO v3檢測原理

YOLO v3網路結構

YOLO v3 的網路結構由基礎特徵提取網路、multi-scale特徵融合層和輸出層組成。

1. 特徵提取網路。YOLO v3使用 DarkNet53作為特徵提取網路：DarkNet53 基本採用了全卷積網路，用步長為2的卷積操作替代了池化層，同時添加了 Residual 單元，避免在網路層數過深時發生梯度彌散。
2. 特徵融合層。為了解決之前YOLO版本對小目標不敏感的問題，YOLO v3採用了3個不同尺度的特徵圖來進行目標檢測，分別為13*13,26*26,52*52,用來檢測大、中、小三種目標。特徵融合層選取 DarkNet產出的三種尺度特徵圖作為輸入，借鑒了FPN(feature pyramid networks)的思想，通過一系列的卷積層和上採樣對各尺度的特徵圖進行融合。
3. 輸出層。同樣使用了全卷積結構，其中最後一個卷積層的卷積核個數是255：3*(80+4+1)=255，3表示一個grid cell包含3個boundingbox，4表示框的4個坐標信息，1表示Confidence Score，80表示COCO數據集中80個類別的概率。

圖：YOLO v3 網路結構

PaddlePaddle簡介

PaddlePaddle是百度自研的集深度學習框架、工具組件和服務平台為一體的技術領先、功能完備的開源深度學習平台，有全面的官方支持的工業級應用模型，涵蓋自然語言處理、計算機視覺、推薦引擎等多個領域，並開放多個領先的預訓練中文模型。目前，已經被中國企業廣泛使用，並擁有活躍的開發者社區。

詳情可查看PaddlePaddle官網：http://www.paddlepaddle.org/

應用案例—AI識蟲

紅脂大小蠹是危害超過 35 種松科植物的蛀干害蟲，自 1998 年首次發現到 2004 年，發生面積超過 52.7 萬平方公里 , 枯死松樹達600 多萬株。且在持續擴散，給我國林業經濟帶來巨大損失。傳統監測方式依賴具有專業識別能力的工作人員進行實地檢查，專業要求高，工作周期長。

北京林業大學、百度、嘉楠、軟通智慧合作面向信息素誘捕器的智能蟲情監測系統，通過PaddlePaddle訓練得到目標檢測模型YOLO v3，識別紅脂大小蠹蟲，遠程監測病蟲害情況，識別準確率達到90%，與專業人士水平相當，並將原本需要兩周才能完成的檢查任務，縮短至1小時就能完成。

基於PaddlePaddle實戰

運行樣例代碼需要Paddle Fluid的v 1.4或以上的版本。如果你的運行環境中的PaddlePaddle低於此版本，請根據安裝文檔中的說明來更新PaddlePaddle：

http://paddlepaddle.org/documentation/docs/zh/1.4/beginners_guide/install/index_cn.html

數據準備

在MS-COCO數據集上進行訓練，通過如下方式下載數據集。

cd dataset/coco
./download.sh

數據目錄結構如下：

dataset/coco/
├── annotations
│ ├──instances_train2014.json
│ ├──instances_train2017.json
│ ├── instances_val2014.json
│ ├──instances_val2017.json
| ...
├── train2017
│ ├──000000000009.jpg
│ ├──000000580008.jpg
| ...
├── val2017
│ ├──000000000139.jpg
│ ├──000000000285.jpg
| ...

模型訓練

安裝cocoapi：訓練前需要首先下載cocoapi。

gitclone https://github.com/cocodataset/cocoapi.git
cdcocoapi/PythonAPI
#if cython is not installed
pipinstall Cython
#Install into global site-packages
makeinstall
#Alternatively, if you do not have permissions or prefer
#not to install the COCO API into global site-packages
python2setup.py install --user

下載預訓練模型： 本示例提供darknet53預訓練模型，該模型轉換自作者提供的darknet53在ImageNet上預訓練的權重，採用如下命令下載預訓練模型。

sh./weights/download.sh

通過初始化 --pretrain載入預訓練模型。同時在參數微調時也採用該設置載入已訓練模型。請在訓練前確認預訓練模型下載與載入正確，否則訓練過程中損失可能會出現NAN。

開始訓練： 數據準備完畢後，可以通過如下的方式啟動訓練。

python train.py
--model_save_dir=output/
--pretrain=${path_to_pretrain_model}
--data_dir=${path_to_data}

通過設置export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7指定8卡GPU訓練。

可選參數見：python train.py --help

數據讀取器說明：

• 數據讀取器定義在reader.py中。

模型設置：

• 模型使用了基於COCO數據集生成的9個先驗框：10x13，16x30，33x23，30x61，62x45，59x119，116x90，156x198，373x326
• 檢測過程中，nms_topk=400, nms_posk=100，nms_thresh=0.45

訓練策略：

• 採用momentum優化演算法訓練YOLO v3，momentum=0.9。
• 學習率採用warmup演算法，前4000輪學習率從0.0線性增加至0.001。在400000，450000輪時使用0.1,0.01乘子進行學習率衰減，最大訓練500000輪。

下圖為模型訓練結果Train Loss。

圖：Train Loss

模型評估

模型評估是指對訓練完畢的模型評估各類性能指標。本示例採用COCO官方評估。

eval.py是評估模塊的主要執行程序，調用示例如下：

pythoneval.py
--dataset=coco2017
--weights=${path_to_weights}

通過設置export CUDA_VISIBLE_DEVICES=0指定單卡GPU評估。

若訓練時指定--syncbn=False, 模型評估精度如下。

input size

mAP(IoU=0.50:0.95)

mAP(IoU=0.50)

mAP(IoU=0.75)

608x608

37.7

59.8

40.8

416x416

36.5

58.2

39.1

320x320

34.1

55.4

36.3

若訓練時指定--syncbn=True, 模型評估精度如下。

input size

mAP(IoU=0.50:0.95)

mAP(IoU=0.50)

mAP(IoU=0.75)

608x608

38.9

61.1

42.0

416x416

37.5

59.6

40.2

320x320

34.8

56.4

36.9

注意： 評估結果基於pycocotools評估器，沒有濾除score < 0.05的預測框，其他框架有此濾除操作會導致精度下降。

模型推斷

模型推斷可以獲取圖像中的物體及其對應的類別，infer.py是主要執行程序，調用示例如下。

pythoninfer.py
--dataset=coco2017
--weights=${path_to_weights}
--image_path=data/COCO17/val2017/
--image_name=000000000139.jpg
--draw_thresh=0.5

通過設置export CUDA_VISIBLE_DEVICES=0指定單卡GPU預測。

模型預測速度（Tesla P40）

input size

608x608

416x416

320x320

infer speed

48 ms/frame

29 ms/frame

24 ms/frame

圖：YOLO v3 預測可視化

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！