YOLO v3（2018）：增量改进，多尺度预测

YOLO v3（2018）：增量改进，多尺度预测

导出时间：2025/11/23 20:26:56

1、yolov3改进点

更强大的骨干网络：Darknet-53 替代 Darknet-19

YOLOv2 使用 Darknet-19（19层卷积），而 YOLOv3 升级为 Darknet-53（53层卷积），并引入 残差连接（ResNet思想）。
  • 改进点：
    • 更深网络：53层比19层能提取更丰富的特征，提升检测精度。
    • 残差结构：解决深层网络训练时的梯度消失问题，使训练更稳定39。
  • 通俗解释：
    • 就像看书，YOLOv2只能看19页，而YOLOv3能看53页，并且每看几页就回顾一下前面的内容（残差连接），避免忘记重点。
image.png

多尺度预测（FPN结构）

image.pngimage.png

image.png

YOLOv2 只在 13×13 特征图上做预测，对小目标检测效果差。
YOLOv3 借鉴 FPN（特征金字塔网络），在 3个尺度（13×13、26×26、52×52） 上进行预测：
  • 改进点：
    • 大目标（13×13）：感受野大，适合检测大物体（如汽车）。
    • 中目标（26×26）：平衡大小，适合中等物体（如行人）。
    • 小目标（52×52）：感受野小，适合检测小物体（如手机）39。
  • 通俗解释：
    • 就像用不同倍数的放大镜看东西：
      • 低倍数（13×13）看整体（大物体）。
      • 中倍数（26×26）看中等物体。
      • 高倍数（52×52）看细节（小物体）。

更精细的Anchor Box（先验框）设计

YOLOv2 用 5个Anchor Box（通过k-means聚类得到）。
YOLOv3 用 9个Anchor Box（3个尺度×3种比例）：
  • 改进点：
    • 大尺度（13×13）：分配 大Anchor（如 116×90、156×198、373×326）。
    • 中尺度（26×26）：分配 中Anchor（如 30×61、62×45、59×119）。
    • 小尺度（52×52）：分配 小Anchor（如 10×13、16×30、33×23）39。
  • 通俗解释：
    • 就像准备不同大小的盒子装东西：
      • 大盒子（大Anchor）装大物体（冰箱）。
      • 中盒子（中Anchor）装中等物体（微波炉）。
      • 小盒子（小Anchor）装小物体（手机）。

用逻辑回归（Logistic）替代Softmax分类

YOLOv2 用 Softmax，假设每个物体只能属于一个类别（如“狗”不能同时是“哈士奇”）。
YOLOv3 改用 独立逻辑回归（Logistic），支持 多标签分类：
  • 改进点：
    • Softmax问题：假设类别互斥（如“女人”和“人”不能同时成立）。
    • Logistic改进：每个类别独立预测（如“女人”和“人”可以同时为真）48。
  • 通俗解释：
    • 以前考试只能选一个正确答案（Softmax），现在可以多选（Logistic），比如一个人既是“医生”又是“女性”。

损失函数优化（二元交叉熵）

YOLOv2 用 Softmax + MSE（均方误差） 计算分类和定位损失。
YOLOv3 改用 二元交叉熵（BCE）：
  • 改进点：
    • 分类损失：用BCE替代Softmax，更适合多标签任务。
    • 置信度损失：同样用BCE，使训练更稳定78。
  • 通俗解释：
    • 以前评分标准太死板（MSE），现在更灵活（BCE），能更好处理“部分正确”的情况。

总结：YOLOv3的核心优势

改进点
YOLOv2
YOLOv3
提升效果
骨干网络
Darknet-19
Darknet-53（残差连接）
特征提取更强
多尺度预测
仅13×13
13×13, 26×26, 52×52
小目标检测更好
Anchor Box
5个
9个（3尺度×3比例）
定位更精准
分类方式
Softmax
Logistic（多标签）
支持重叠类别
损失函数
MSE
二元交叉熵（BCE）
训练更稳定


2、完整的网络结构

完整的YOLOv3网络是由4个部分组成：输入层、Backbone特征提取部分，也就是Darknet-53，Neck特征拼接部分，head头分类部分。
image.png
Backbone主干网络负责从输入图像中提取有用的特征。它通常是在大规模图像分类任务（例如 ImageNet）上训练的卷积神经网络 (CNN)。主干网捕获不同尺度的层次特征，在较早的层中提取较低级别的特征（例如边缘和纹理），在较深层中提取较高级别的特征（例如对象部分和语义信息）。
deepseek_mermaid_20250722_bbd049.png
Neck颈部是连接脊柱和头部的中间部件。它聚合和细化主干提取的特征，通常侧重于增强不同尺度的空间和语义信息。颈部可能包括额外的卷积层、特征金字塔网络（FPN）或其他机制来改善特征的表示。
就像多倍望远镜组合使用：
  • 低倍镜（13x13）：看全景（发现远处有人）
  • 中倍镜（26x26）：看局部（认出是穿红衣服的人）
  • 高倍镜（52x52）：看细节（确认是戴眼镜的张老师）
head头部是物体探测器的最后一个部件；它负责根据主干和颈部提供的特征进行预测。它通常由一个或多个特定于任务的子网络组成，这些子网络执行分类、定位以及最近的实例分割和姿势估计。头部处理颈部提供的特征，为每个候选对象生成预测。最后，后处理步骤（例如非极大值抑制 (NMS)）会过滤掉重叠的预测，并仅保留最置信度的检测。
每个尺度的检测头都像三个小机器人在网格里工作：
坐标机器人：用尺子测量位置
置信度机器人：举牌子打分（0-1分）
分类机器人：拿分类手册查类别（支持多标签）

3、yolov3损失函数

image.png

1. 坐标损失（BBox Regression）

▶ 作用：

精确调整预测框的位置和大小

▶ 直观解释：

就像用两种尺子测量：
  1. 普通尺子量中心点（x,y）
  2. 弹性尺子量宽高（w,h）——小误差会被放大

置信度损失（Confidence Loss）

▶ 作用：

判断框内是否有物体（物体置信度） + 框的准确度（IOU）

▶ 直观解释：

就像老师批改选择题：
  • 答对（有物体）得1分
  • 答错（无物体）扣0.5分（λ_noobj控制惩罚力度）

分类损失（Class Loss）

▶ 作用：

预测物体所属类别（支持多标签分类）

▶ 直观解释：

就像多选题评分：
  • 每个选项（类别）单独判断对错
  • 不限制正确选项数量