# [Yolov3](https://pjreddie.com/media/files/papers/YOLOv3.pdf)

YoloはYou Look Only Onceの略。一度しか画像見なくていいよと言っていて、単一モデルで検出できることを表しています。
Yolov3はSSDと同じくらいの精度で速度は3倍早いです。
著者はTwitterやGANを触っていたため、あまり研究が進んでいなかったそうで、本人曰く、v2からすごく進化しているわけではなく、小さな改善の積み重ねだそう（十分すごい進化に感じてしまうが。。）

下記はYolov3の性能グラフ

## モデル構造

* 106層の畳み込み層(ダウンスケール->アップスケール)
* ３つの異なるスケールで検出(82層、94層、106層)を行うことによって、細かい物体も検出できるようになった。
* 特徴的なスキップ構造。最初の方のfeaturemapから画像の細かい情報を取得できる。

例) 入力画像 416 x 416の場合：
検出器１(feature size)：13 x 13
検出器２(feature size)：26 x 26
検出器３(feature size)：52 x 52

13x13が大きなオブジェクト検出を担当し、52x52が小さなオブジェクト検出を担当する。


## 検出概要


Bはfeatureマップ上のセルが予測できるboundingboxの数:各検出器あたり３

## AnchorBox
Yolov3は各検出器のセルあたり３つのアンカーボックスを使用する。このAnchorboxは事前に生成する必要があります。
なので、予測する総BoundingBox数は

(13 x 13 + 26 x 26 + 52 x 52) * 3

この検出結果から最もらしいBoundingBoxを取り出す方法として、Non-maximum Suppressionを利用しています。

## 損失関数

ref:[Pytorch-Yolov2](https://github.com/eriklindernoren/PyTorch-YOLOv3)

# Loss : Mask outputs to ignore non-existing objects (except with conf. loss)                                                                                       
loss_x = self.mse_loss(x[obj_mask], tx[obj_mask])
loss_y = self.mse_loss(y[obj_mask], ty[obj_mask])
loss_w = self.mse_loss(w[obj_mask], tw[obj_mask])
loss_h = self.mse_loss(h[obj_mask], th[obj_mask])
loss_conf_obj = self.bce_loss(pred_conf[obj_mask], tconf[obj_mask])
loss_conf_noobj = self.bce_loss(pred_conf[noobj_mask], tconf[noobj_mask])
loss_conf = self.obj_scale * loss_conf_obj + self.noobj_scale * loss_conf_noobj
loss_cls = self.bce_loss(pred_cls[obj_mask], tcls[obj_mask])
total_loss = loss_x + loss_y + loss_w + loss_h + loss_conf + loss_cls

[link](https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/47b7c912877ca69db35b8af3a38d6522681b3bb3/models.py#L191)

## Softmaxを使用しない(マルチラベル対応)
Softmaxは各ラベルが排他である前提となっています。
つまりオブジェクトが１つのクラスに属している場合、そのオブジェクトは他のクラスに属することができない。
例えばクラスにPerson, Womanのような要素がある場合に対応できます。