YOLOv3 是由 Joseph Redmon 和 Ali Farhadi 提出的单阶段检测器, 该检测 器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍.
PaddleDetection实现版本中使用了 Bag of Freebies for Training Object Detection Neural Networks 中提出的图像增强和label smooth等优化方法，精度优于darknet框架的实现版本，在COCO-2017数据集上，YOLOv3(DarkNet)达到mAP(0.50:0.95)= 38.9的精度，比darknet实现版本的精度(33.0)要高5.9。同时，在推断速度方面，基于Paddle预测库的加速方法，推断速度比darknet高30%。
在此基础上，PaddleDetection对YOLOv3进一步改进，进一步提升了速度和精度，最终在COCO mAP上可以达到43.2。
1.将YOLOv3骨架网络更换为ResNet50-VD。ResNet50-VD网络相比原生的DarkNet53网络在速度和精度上都有一定的优势，且相较DarkNet53 ResNet系列更容易扩展，针对自己业务场景可以选择ResNet18、34、101等不同结构作为检测模型的主干网络。
2.引入Deformable Convolution v2(可变形卷积)替代原始卷积操作，Deformable Convolution已经在多个视觉任务中广泛验证过其效果，在Yolo v3增强模型中考虑到速度与精度的平衡，我们仅使用Deformable Convolution替换了主干网络中Stage5部分的3x3卷积。
3.在FPN部分增加DropBlock模块，提高模型泛化能力。Dropout操作如下图（b）中所示是分类网络中广泛使用的增强模型泛化能力的重要手段之一。DropBlock算法相比于Dropout算法，在Drop特征的时候会集中Drop掉某一块区域，更适应于在检测任务中提高网络泛化能力。
4.Yolo v3作为一阶段检测网络，在定位精度上相比Faster RCNN，Cascade RCNN等网络结构有着其天然的劣势，增加IoU Loss分支，可以一定程度上提高BBox定位精度，缩小一阶段和两阶段检测网络的差距。
5.增加IoU Aware分支，预测输出BBox和真实BBox的IoU，修正用于NMS的评分，可进一步提高YOLOV3的预测性能。
6.使用Object365数据集训练得到的模型作为coco数据集上的预训练模型，Object365数据集包含约60万张图片以及365种类别，相比coco数据集进行预训练可以进一步提高YOLOv3的精度。
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python tools/train.py -c configs/dcn/yolov3_r50vd_dcn_iouloss_obj365_pretrained_coco.yml更多模型参数请使用python tools/train.py --help查看，或参考训练、评估及参数说明文档
| 模型 | 预训练模型 | 验证集 mAP | P4预测速度 | 下载 |
|---|---|---|---|---|
| YOLOv3 DarkNet | DarkNet pretrain | 38.9 | 原生：88.3ms tensorRT-FP32: 42.5ms |
下载链接 |
| YOLOv3 ResNet50_vd DCN | ImageNet pretrain | 39.1 | 原生：74.4ms tensorRT-FP32: 35.2ms |
下载链接 |
| YOLOv3 ResNet50_vd DCN | Object365 pretrain | 42.5 | 原生：74.4ms tensorRT-FP32: 35.2ms |
下载链接 |
| YOLOv3 ResNet50_vd DCN DropBlock | Object365 pretrain | 42.8 | 原生：74.4ms tensorRT-FP32: 35.2ms |
下载链接 |
| YOLOv3 ResNet50_vd DCN DropBlock IoULoss | Object365 pretrain | 43.2 | 原生：74.4ms tensorRT-FP32: 35.2ms |
下载链接 |
| YOLOv3 ResNet50_vd DCN DropBlock IoU-Aware | Object365 pretrain | 43.6 | 原生：74.4ms tensorRT-FP32: 35.2ms |
下载链接 |