0
雷锋网 AI 研习社按，YOLO 是一种非常流行的目标检测算法，速度快且结构简单。日前，YOLO 作者推出 YOLOv3 版，在 Titan X 上训练时，在 mAP 相当的情况下，v3 的速度比 RetinaNet 快 3.8 倍。在 YOLOv3 官网上，作者展示了一些对比和案例。在论文中，他们对 v3 的技术细节进行了详细说明。雷锋网 AI 研习社将内容编译整理如下。
我们针对 YOLO 做了一些更新，在设计上进行了一些小改动，让它变得更好。当然，我们也训练了这个新网络，它的性能非常优秀。它比前一版本要大一点，但更准确。当然了，不必担心会牺牲速度，它仍然很快。YOLOv3 可以在 22ms 之内执行完一张 320 × 320 的图片，mAP 得分是 28.2，和 SSD 的准确率相当，但是比它快三倍。
此外，它在 Titan X 上经过 51 ms 训练，mAP50 为 57.9，相比之下，RetinaNet 经过 198ms 的训练之后 mAP50 为 57.5。对比起来，两者的性能差异不大，但是 YOLOv3 比 RetinaNet 快 3.8 倍。
所有的代码都在 https://pjreddie.com/yolo/上。
与其他检测器相对比
YOLOv3 非常快速和准确，在 IoU=0.5 的情况下，与 Focal Loss 的 mAP 值相当，但快了 4 倍。此外，大家可以轻松在速度和准确度之间进行权衡，只需改变模型的大小，而不需要重新训练。
在 COCO 数据集上的表现
工作原理
先前的检测系统是让分类器或定位器来执行检测任务。他们将模型应用于图片中，图片里物体的位置和尺寸各异，图像的高得分区域被认为是检测区域。
我们采用了完全不同的方法——将一个简单的神经网络应用于整张图像。该网络将图像分割成一块块区域，并预测每个区域的 bounding box 和概率，此外，预测概率还对这些 bounding box 进行加权。
我们的模型相较基于分类的检测系统有如下优势：它在测试时观察整张图像，预测会由图像中的全局上下文（global context）引导。它还通过单一网络评估做出预测，而不像 R-CNN 这种系统，一张图就需要成千上万次预测。对比起来，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。
可以参阅我们的论文，了解关于完整系统的更多细节。
在 v3 中，有哪些全新的方法呢？
YOLOv3 用了一些小技巧来改进训练、提高性能，包括多尺度预测，更好的主干分类器等等。
同样，详细信息我们也全写在论文上了。
用预训练模型进行检测
接下来是利用 YOLO 使用预训练模型来检测物体。请先确认已经安装 Darknet。接下来运行如下语句：
git clone https://github.com/pjreddie/darknet
cd darknet
make
这样一来 cfg/子目录中就有了 YOLO 配置文件，接下来下载预训练的 weight 文件（237 MB）（https://pjreddie.com/media/files/yolov3.weights），或者运行如下语句：
wget https://pjreddie.com/media/files/yolov3.weights
然后执行检测器：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
输出如下：
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs
.......
105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs
106 detection
truth_thresh: Using default '1.000000'
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.029329 seconds.
dog: 99%
truck: 93%
bicycle: 99%
Darknet 会输出检测到的物体、confidence 以及检测时间。我们没有用 OpenCV 编译 Darknet，所以它不能直接显示检测情况。检测情况保存在 predictions.png 中。大家可以打开这个图片来查看检测到的对象。我们是在 CPU 上使用 Darknet，检测每张图片大约需要 6-12 秒，如果使用 GPU 将快得多。
我还附上了一些例子给大家提供灵感，你们可以试试 data/eagle.jpg，data/dog.jpg，data/person.jpg 或 data/horses.jpg。
detect 指令是对 command 的常规版本的简写：
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
如果你只是想检测图像，并不需要了解这个，但如果你想做其他的事情，比如在网络摄像头上运行 YOLO，这将非常有用（稍后详细描述）。
多个图像
在 command 行不写图像信息的话就可以连续运行多个图片。当加载完配置和权重，你将看到如下提示：
./darknet detect cfg/yolov3.cfg yolov3.weights
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs
.......
104 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs
105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs
106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:
输入类似 data/horses.jpg 的图像路径来进行边框预测。
一旦完成，它将提示你输入更多路径来检测不同的图像。使用 Ctrl-C 退出程序。
改变检测门限
默认情况下，YOLO 只显示检测到的 confidence 不小于 0.25 的物体。可以在 YOLO 命令中加入-thresh <val>来更改检测门限。例如，将门限设置为 0 可以显示所有的检测结果：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0
网络摄像头实时检测
如果在测试数据上运行 YOLO 却看不到结果，那将很无聊。与其在一堆图片上运行 YOLO，不如选择摄像头输入。
要运行如下 demo，需要用 CUDA 和 OpenCV 来编译 Darknet。接下来运行如下指令：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
YOLO 将会显示当前的 FPS 和预测的分类，以及伴有边框的图像。
你需要一个连接到电脑的摄像头并可以让 OpenCV 连接，否则就无法工作。如果有连接多个摄像头并想选择其中某一个，可以使用 -c <num>（OpenCV 在默认情况下使用摄像头 0）语句。如果 OpenCV 可以读取视频，也可以在视频文件中运行：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>
在 VOC 数据集上训练 YOLO
首先需要 2007-2012 年的所有 VOC 数据，这是下载地址：https://pjreddie.com/projects/pascal-voc-dataset-mirror/，为了存储数据，执行如下语句：
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
接下来所有 VOC 训练数据都在 VOCdevkit/ 子目录下。
生成标签
接下来需要生成 Darknet 使用的标签文件。Darknet 需要的.txt 文件格式如下：
<object-class> <x> <y> <width> <height>
x, y, width 和 height 对应图像的宽和高。需要在 Darknet scripts/子目录下运行 voc_label.py 脚本来生成这些文件。
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py
几分钟后，这个脚本将生成所有必需文件。大部分标签文件是在 VOCdevkit/VOC2007/labels/ 和 VOCdevkit/VOC2012/labels/ 下，大家可以在目录下看到如下信息：
ls
2007_test.txt VOCdevkit
2007_train.txt voc_label.py
2007_val.txt VOCtest_06-Nov-2007.tar
2012_train.txt VOCtrainval_06-Nov-2007.tar
2012_val.txt VOCtrainval_11-May-2012.tar
类似 2007_train.txt 的语句列出了图像文件的年份和图像集。Darknet 需要一个包含所有你想要训练的图片的文本文件。在这个例子中，我们训练除了 2007 测试集的所有数据。运行如下语句：
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
修正
现在去 Darknet 目录，需要改变 cfg/voc.data 配置文件以指向数据：
1 classes= 20
2 train = <path-to-voc>/train.txt
3 valid = <path-to-voc>2007_test.txt
4 names = data/voc.names
5 backup = backup
将<path-to-voc>替换为你存放 VOC 数据的目录。
下载预训练卷积权重
在训练中使用在 Imagenet 上预训练的卷积权重。我们这里使用 darknet53 模型的权重，可以点击这里https://pjreddie.com/media/files/darknet53.conv.74下载卷积层权重：
wget https://pjreddie.com/media/files/darknet53.conv.74
训练模型
接下来执行如下语句进行训练：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
在 COCO 上的训练与 VOC 上类似，大家可以在这里查看详情。
YOLOv3 论文地址如下：
https://pjreddie.com/media/files/papers/YOLOv3.pdf
雷锋网 AI 研习社编译整理。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
