YOLO v3: You Only Look Once (version 3)

1. 总体结构

Yolo3总共有106层，借鉴了DSSD的反卷积拓展和多层Feature Map预测结构设计，即对每张图片在3个不同的scale层上进行目标探测，这3层分别是第82层、94层、106层，以此实现对大、中、小目标的探测；

1.1 Residual Block：

1.2 上采样（Upsampling Layer）

YOLO3上采样采用的是双线性插值，详情请参考 Faster R-CNN 2.3.2 RoI Align 中的双线性插值。

1.3 探测层（Detection Layer）

相当于对Faster R-CNN和SSD中的Feature Map层预测后形成的层。

1.4 PFN(Feature Pyramid Network)

2. 目标探测

以第一个探测层（即第82层）为例，原图片尺寸是416 X 416，到达该层累计的Stride是32，则该探测层尺寸是13 X 13（即 416/32=13），这也相当于将原图片分为13 X 13的网格。原始图片，其shape=[416, 416, 3]，经过深度学习卷积神经网络形成第一个探测层，其shape=[13, 13, 255]。下图中右图（即探测层）中的红色网格有255个值，表示左图（即原图片）以黄、紫、蓝三个矩形（三者中心都是红框）进行预测的值。

将这255个值按照各自对应的矩形进行分组如下：

其中b_x,，b_y，b_h，b_w：目标物相对位置坐标信息；p_c：有目标物的概率；最后的80个值是80个目标物各自的预测概率。

将上述内容合并，如下图所示：

以黄色矩形对应的85个值为例，其最终预测情况如下图所示：

位置信息值b_x，b_y，b_h，b_w值：表示预测框的位置，其值并非卷积网络直接给出，而是经过如下换算：

其中b_x，b_y，b_h，b_w代表的预测的目标物位置矩形框的中心坐标值x，y以及矩形的长宽值；t_x，t_y，t_h，t_w是卷积网络直接给出的值，而c_x，c_y是指探测层中小红框左上角的点的坐标，示例小红框的c_x和c_y为（6，6）。

目标概率值p_c: 表示预测框中含有目标物的概率，所用激活函数为sigmoid；

目标类别概率c_1~c_80:表示各类别的概率，在yolo3之前的版本，所用激活函数是softmax， yolo3将其修改为sigmoid函数；原因在于softmax具有排它性，即探测到的物体仅仅能归属于某一个目标类，如果目标类中有包含和被包含关系类时，如目标类含有Person类， Man类和Wowan类时，softmax并不能适用，而sigmoid更适用这种情况。

以上是一个网格的一个矩形框的预测，如果输入图片场景较为复杂，整个探测层的所有网格的所有矩形框预测结果可视化如下：