改进的YOLO V3算法及其在小目标检测中的运用分析

• 46
•
以提高小目标检测效率与准确性为前提，分析YOLO V3算法。

首先介绍该算法在小目标检测中运用、改进的YOLO V3算法，其次通过创建检测模型与实验研究，明确改进YOLO V3的优势以及两种算法在性能方面的差别，以期能够为今后小目标检测提供先进检测算法参考。

目标检测方法是广泛应用的现代化检测技术之一，小目标检测是其中重要技术，是检测行业近年来关注的焦点。

一般远距离目标具有小目标特点，小目标像素较少、特征模糊，相较于大目标的检测率较低，虚警率高。

所以，小目标检测在实践应用中具有极大的挑战。

为了能够进一步提升小目标检测召回率、检测结果准确性，基于单步目标检测算法中包含的深度卷积神经网络（YOLO V3），对该结构进行改进，并且在小目标检测中运用。

1 YOLO V3网络介绍
YOLO V3结构主要以Darknet53网络结构为主，其中涉及到53个卷积层，Darknet53包括5个残差块，其核心思想为残差神经网络。

Yolov3的残差结构输入用1×1卷积，为了减少计算量降低一半通道数，然后用3×3卷积提取特征，将通道数恢复至原始状态，最后再与输入累加，从而组建残差单元。

DBL 单元中包括卷积、批归一化、leaky ReLU 激活函数。

将残差单元引入可以增加网络深度，以免出现梯度消失的现象。

YOLO V3针对输入的图片实施反复降采样，最终3次降采样操作过程中预测目标，其中还包括3个尺度目标检测生成的特征图。

通过小特征图进行上采样，并且和大特征图结合，便可以同时完成大、小目标的检测。

2 改进的YOLO V3检测模型
2.1 数据集目标框聚类分析
YOLO V3中涉及到faster R-CNN 的anchor boxes 思想，该思想属于初始候选框，具有宽高固定的特点。

在选
择anchor boxes 时会直接影响到目标检测精准度与效率。

YOLO V3通过k -means 聚类算法实施COCO 数据集内部目标框宽高聚类操作，将平均重叠度当作目标聚类分析所需量度，最后再展开VEDAI 数据集的聚类分析，得出Avg IOU 目标函数。

选择k 值分别分析数据集内部样本，可以获得k 和Avg IOU 目标函数的关系。

如果k 值增大，那么目标函数变化也会更加平稳，拐点便是anchor boxes 最为理想的个数。

如果k 值大于3，这时曲线开始趋于稳定，确定anchor boxes 数量为3，不仅能够尽快实现损失函数收敛，还能够将候选框导致误差消除。

2.2 改进的YOLO V3检测模型
YOLO V3通过8倍降采样输出得出特征图，针对小目标实施检测。

特征图是8倍降采样目标检测层，在小目标位置信息检测方面无法获得理想的成效。

所以，为了能够
发挥YOLO V3网络结构检测优势，获得大量小目标特征信息，并且提高检测效率与准确性，在原本网络结构基础上进行改进。

由于4倍降采样特征图包含大量的小目标位置信息，所以YOLO V3输出8倍降采样特征图可以实现2倍上采样，所得特征图和Darknet53第二个残差块输出得到的4倍降采样特征图连接，构建4倍降采样特征融合目标检测层，在小目标检测中应用。

另外，为了获取大量低层小目标位置数据，基于原YOLO V3网络第二个残差块，在其中增设了2个残差单元，YOLO V3通过三3个尺度实现VOC 、COCO 数据集的预测，并且在COCO 数据集内部分别对应预测框。

在小目标检测中，为了能够提升检测效率、准确性和召回率，按照VEDAI 数据集聚类分析最终结论，将YOLO V3原本3个尺度中输出检测消除，直接通过输出4倍降采样特征融
合目标检测层的方式实施小目标检测。

YOLO V3目标检测输出层之前涉及到6个DBL 单元、1个1×1卷积，在DSSD 网络影响下，以免产生梯度消失的现象，并且提高特征复用率，将原本DBL 单元数量减少
改进的YOLO V3算法及其在小目标检测中的运用分析
南华大学 秦丹峰 尹相辉
• 47
•
为2个，另外再增加两个ResNet 单元。

经过改进的YOLO V3实现第2个残差块输出4倍降采样特征图、二倍上采样8倍降采样特征图的结合，创建4倍降采样特征融合目标检测层，在小目标检测中应用得到良好的效果。

YOLO V 3在检测中按照实际需求缩放、裁剪检测图像，通过512×512VEDAI 航拍数据集，实现检测图像的缩放与裁剪。

原本图像内部小目标分辨率降低，视场减小。

所以，改进的YOLO V3（图1）将该问题解决，检测图像不会被压缩与裁剪，保持原本分辨率，有利于提升小目标检测有效性。

3 实验结果分析与研究
在诸多尺度条件下实施YOLO V3目标检测，在当前检测领域属于代表性算法之一，具有兼顾大、小目标的特点，在小目标检测中能够充分体现出优良的检测性能，所以改进的YOLO V3和原YOLO V3检测算法展开对比。

通过VEDAI 航拍图像，将其当作数据集，实施YOLO V3与改进YOLO V3算法对比。

数据集针对原大视场卫星图像进行分割，使其划分为1024×1024图像，包括车辆、背景等内容。

此外，数据集内部还涉及到可见光图像、红外图像，图像距离与地面一致。

数据集内部还包括分辨率为1024×1024图像，针对其展开下采样获得分辨率是512×512图像，可以得到分辨率小的目标图像。

VEDAI 数据集内部每一张图像均涉及到5.5个车辆，目标在图像总像素中占比仅为0.7%，属于小目标检测数据集。

VEDAI 数据集中包括9种对象。

建议采用以下两种方式，对改进的YOLO V3在小目标检测中的性能体现进行验证：第一，运用分辨率是512×512
的图像数据集，使数
图1 改进的YOLO V3网络结构图
据集内部最小的3种目标归纳为一类，随机挑选80%图像展开训练，剩余图像则作为测试对象；第二，将分辨率是512×512的图像数据集作为数据集内9类目标的检测对象，分别展开YOLO V3和改进YOLO V3的训练。

通过旋转图像、提高对比度等方式，增强、扩张数据集内部图像。

改进YOLO V3在训练期间绘制损失值收殓曲线图、目标框、Avg IOU 目标函数图。

经过重复迭代，所有参数趋于稳定，最终损失值下降，Avg IOU 同样趋于稳定。

根据参数收殓情况分析改进的YOLO V3训练结果更满足目标要求，原始YOLO V3与改进YOLO V3算法性能对比见表1。

表1 原始与改进YOLO V3算法性能对比
原始YOLO V3算法
改进YOLO V3算法
定量对比
准确率84.5%87.5%召回率86.1%91.3%mAP值85.39%91.36%定性对比漏检与错检问题
有
无
结束语：综上所述，在深度学习技术不断创新与发展的当下，多元化的目标检测、目标跟踪算法得到应用。

其中深度卷积神经网络通过目标数据集自主学习检测目标、创建检测模型，以深度学习为基础的目标检测算法，主要有双、单步目标检测算法两种，其中单步目标检测算法效率更高。

改进的YOLO V3算法在小目标检测中应用，检测召回率与结果准确性更高，在今后检测工作中有非常可观的前景。

通讯作者：龚学余。