yolov1网络架构的介绍

目录

一、核心思想

二、目标检测逻辑​编辑

三、网络结构概述

四、评价方法

---

YOLOv1（You Only Look Once version 1）是YOLO系列目标检测算法的开山之作，由Ross Girshick等人于2015年提出，并在2016年的CVPR会议上发表。YOLOv1将目标检测任务视为一个回归问题，通过一次前向传播就能完成从输入图像到输出检测结果（包括物体的位置和类别）的端到端过程。以下是YOLOv1网络的详细介绍：

一、核心思想

YOLOv1的核心思想是将目标检测问题转化为一个回归问题。它首先将输入图像划分为多个网格，然后每个网格负责预测中心点落在该网格内的物体的边界框和类别。这种设计使得YOLOv1能够一次性完成对整个图像的检测任务，从而大大提高了检测速度。

二、目标检测逻辑

1. 网格划分：将输入图像划分为SxS的网格（YOLOv1中S=7），每个网格负责预测中心点落在该网格内的物体的边界框和类别。
2. 边界框预测：每个网格预测B个边界框（YOLOv1中B=2），每个边界框包含5个预测值（x、y、w、h、置信度）。

   (x,y) 表示边界框中心 相对于网格 的坐标；
   w,h 表示边界框 相对于整张图像 的宽和高（意思是边界框的中心坐标必须在网格内，但其宽和高不受网格限制、可以随意超过网格大小）；
   confidence 定义为：当边界框中不存在目标时，confienec应等于0；当边界框中存在目标时，confidence应等于这一边界框和物体的真实边界框的IoU，可以表示为：

3. 类别预测：每个网格还预测C个类别的条件概率（YOLOv1中使用PASCAL VOC数据集，C=20）。

三、网络结构概述

• 输入：YOLOv1的输入图像大小被固定为448x448像素（三通道）。需要注意的是，在训练阶段，为了加快训练速度，可能会使用较小的输入尺寸（如224x224像素），但在测试阶段会采用448x448像素的输入尺寸以获得更好的检测效果。
• YOLOv1的网络结构：借鉴了GoogLeNet（现已更名为Inception V1）的设计，主要由卷积层、池化层和全连接层组成。具体来说，YOLOv1的网络包含24个卷积层、4个最大池化层和2个全连接层。这种设计使得YOLOv1能够提取图像中的深层次特征，从而进行准确的目标检测。
• 输出：YOLOv1的输出是一个形状为7x7x30的张量。这个张量对应于将输入图像划分为7x7的网格，每个网格预测2个边界框（Bounding Box）和20个类别的条件概率。每个边界框包含5个预测值：x、y（边界框中心点的坐标，相对于网格的偏移量）、w、h（边界框的宽和高，已根据原图尺寸进行归一化）以及置信度（Confidence，表示边界框内存在物体的概率以及边界框的准确度）。因此，每个网格的输出是一个30维的向量（2个边界框的10个预测值+20个类别概率）。

• 损失函数：YOLO采用均方和误差(sum-squared error)作为损失函数，因为它很容易进行优化。但是它对于提高平模型的平均精度却不是十分理想，于是针对以下几个问题进行优化：

  位置误差和分类误差对loss的贡献应当是不同的，因此在计算loss时引入来修正坐标损失。
  每张图像中都有许多网格是不包含任何目标的（即没有目标的中心点落入这些网格内），这会使得大部分网格内边界框的confidence值偏向于0，变相放大了包含目标的网格的confidence误差在计算梯度时的影响。YOLO引入来修正这一影响。
  相同的位置偏差对大物体的IoU error的影响要远小于对小物体的影响，因此YOLO通过将物体大小的信息项(w,h)开平方来修正平衡二者的影响。
  最终修正后的损失函数(loss function)的表达式为：

四、评价方法

MAP（Mean Average Precision，平均精度均值）指标是衡量YOLOv1目标检测算法性能的一个重要指标。MAP综合了检测效果中的精度（Precision）和召回率（Recall）等多个方面，为模型在不同类别上的平均性能提供了一个量化的评价标准。

1. 预测与真实标签的匹配：首先，将模型预测的边界框与真实标签（Ground Truth）进行比较，通过计算交并比（IOU，Intersection over Union）来确定预测框与真实框的匹配程度。当IOU大于或等于设定的阈值（通常为0.5）时，认为该预测框是一个真正例（TP）。

2. 计算TP、FP、FN：根据匹配结果，可以计算出真正例（TP）、假正例（FP）和假反例（FN）的数量。其中，TP表示正确检测到的目标数量，FP表示错误地将非目标检测为目标的数量，FN表示未检测到的实际目标数量。

3. 计算AP：对于每个类别，根据TP、FP和FN的数量可以计算出该类别的精度（Precision）和召回率（Recall），进而绘制出该类别的PR（Precision-Recall）曲线。AP即为该PR曲线下的面积，表示该类别在不同召回率下的平均精度。

4. 计算MAP：将所有类别的AP值相加并除以类别总数，即可得到最终的MAP值。MAP值越高，表示模型在不同类别上的平均性能越好。