0 前言
前面用RFSong实现了GPU 200 FPS，并且测试结果发现在COCO上也只比YOLOv3低了六七个点左右，基本可以满足自己的使用需求了。因此下面想试试YOLO按照RFSong进行改进，看看能不能在精度只掉一点的情况下，实现更快的速度。
1. 确定基线
尝试对YOLO在VOC COCO的行人图片数据集进行从头训练，也就是不加载任何权重直接进行目标检测任务的训练（这里没有开启多尺度训练，因为太耗时了等最后再加）。不过说是从头训其实也没有完全从头训，因为感觉前面YOLO的设计还是比较给力的，削减channel和层数的空间不大，因此这里就加载了前面部分的参数（这里加载了前面25层）：
只要对下面的代码进行修改即可：
最终在COCO2017 val上得到行人检测的AP大概在0.68
不过当利用YOLOv3 COCO预训练模型的时候，测试精度可以达到72,7的AP。
2. 对YOLO进行瘦身
原来的YOLO还是比较庞大的，但是如果只检测行人这一个类，其实削减一些参数精度也下降不会太多。这里我就试试将后面那两个8个模块堆叠的部分削薄了，都改成了4,。还有后面的一些chanel是1024，我这里最多就使用512。总的来说就是：
1. 削减一些层
2. 削减channel数目
3. 删去瓶颈层的大部分的relu。也就是前面channel多，经过这个卷积后，channel变少了，对于这的卷积后面就不加relu了。(参考mobilenetV2)
可以看到模型的参数量有了非常显著的下降：由原来的61.9 M变成了现在的21.2 M
最终的mAP也只差1.4个百分点，速度快了一倍（这里开启了多尺度）
速度对比：
GPU对比：
原始的YOLO v3速度测试，原来大概是40FPS的样子：
经过自己大致裁剪的YOLO模型的速度达到了59 FPS
CPU对比：
原版YOLO CPU速度，去掉前面5张取平均为0.91 s
瘦身后的YOLOv3: 0.57 s
3. 加载COCO浅层权重进行训练
由于前面很多层其实也没做改动，因此其实完全可以加载部分参数。如果加载YOLOv3 COCO权重的前面25层（也就是前面没有改动的层）进行实验看看效果。代码发现人家已经实现了，这里只需要计算出加载的层就行：
发现前面多吃尺度训练还是很耗时，关掉后测得mAP为65.5，差了一个多点，其实可能就是多尺度造成的吧。使用YOLO v3 COCO权重发现比darknet53收敛快了不少，所以还是推荐用COCO训练的权重：
4. 增加SYSY数据集
最后一个epoch达到了69.2的AP，这比原来的YOLO还高了啊，可以啊。当然很有可能是YOLOv3从头训没有训好的原因
然后利用这个模型在只用COCO行人的数据集进行finetune几个epoch再去测试，最终达到了70的AP。
交流请加群 云深不知处-目标检测 763679865
