PolyYolo开源！Yolo也能做实例分割，检测mAP提升40（完美分割）

PolyYolo开源！Yolo也能做实例分割，检测mAP提升40%！

就在刚刚，PolyYolo宣布开源，在原版的YoloV3的基础上mAP提升超40%，并且，最重要的是，它通过Yolo实现了实例分割，速度可以达到realtime。

我们可以先看看它的效果：

可以看到，效果还是非常不错的，尤其是在这种场景下，行人和交通灯都属于比较难检测的物体，这个方法完美的解决了在yolo基础上添加实例分割的问题！

原文摘要：我们提出了一个新的YOLO版本，它扩展了带有实例分割的Poly-YOLO。 Poly-YOLO建立在YOLOv3的原始思想的基础上，并消除了它的两个弱点：大量重写的标签和无效的锚点分配。 Poly-YOLO通过使用阶梯式上采样通过超列技术聚合SE-Darknet-53主干中的特征，从而减少了重写标签的数量，并产生了高分辨率的单标度输出。与YOLOv3相比，Poly-YOLO仅具有60％的可训练参数，但相对mAP却提高了40％。我们还展示了具有更少参数和更低输出分辨率的Poly-YOLO lite。它具有与YOLOv3相同的精度，但它的体积小三倍，速度快两倍，因此适用于嵌入式设备。最后，Poly-YOLO使用边界多边形执行实例分割。训练网络以检测在极坐标网格上定义的尺寸无关的多边形。预测每个多边形的顶点时会充满信心，因此Poly-YOLO会生成具有不同数量顶点的多边形。

https://gitlab.com/irafm-ai/poly-yologitlab.com

Yolov3存在的问题

yolov3存在的问题主要是两个，一个是label重写问题，以及anchor的不均衡问题，这可以通过一个图来很直观的理解：

如上图所示，当两个相邻的框的center落在同一个cell的时候，其中一个框可能会被另外一个框重写。这种重写的问题最终导致检测器根本不会用他们来训练。当你训练的Yolo系列检测器有一个类别无法被检测出来的时候，多半是因为它被重写了. 而解决这个问题的关键还是在于Yolo的网格设计方式。

而第二个问题来自于anchor在不同scale的数目不均衡问题。PolyYolo里面解决这个问题的方式也很简单直白，直接把三个尺度去掉，改用更高分辨率的特征输入，同时引入一个SE模块，使得特征被多尺度的学习，更换掉Yolo里面很重的head，改用一个轻量级的更高分辨率的block，最终我们实现了减少了60%的参数量，但是精度却提高了40%。