Yolo V1算法分析 ---网络结构解读 ---损失计算

已于 2024-01-20 17:14:48 修改
阅读量1.4k 收藏 21
点赞数 33
分类专栏： Yolo 文章标签： YOLO 算法
于 2023-12-02 21:45:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BeTyh/article/details/134758277
版权

请添加图片描述

Yolo V1 详解

本节内容

该文章涉及如何选择预选框、YOLOV1的网络结构以及卷积计算、最终的损失计算过程。

如果对于IOU、mAP、recall、precision不了解，请先了解以上指标如何计算的。

检测指标Blog：

如果不懂得卷积计算，可以看我的文章

卷积计算Blog：【卷积计算】-单通道卷积 -深度卷积(多通道卷积) -逐点卷积 -实战YoloV1卷积网络 - 池化计算-CSDN博客

特点

  • 经典的one-stage方法
  • You only look once
  • 检测问题转换为回归问题，一个CNN搞定
  • 可以对视频进行实时检测，应用领域非常广泛

核心思想

每个点，计算的时候存储confidence，设置阈值

每个点存储：

  • 中心点x
  • 中心点y
  • 预选框宽度w
  • 预选框高度h
  • 置信度confidence

如果满足阈值，在两种候选框中，分别计算IOU的值，选择合适的

输入图片

图片大小（448，448，3）

因为卷积层和全连接层的大小是固定的，所以图片大小不可改变，这里要求input图片大小固定（448，448，3）。

  • 在Yolov2之后，取消了fully connected全连接层，图片大小就可以改变了。

通过grid cell分类

图片分割为7 * 7大小的grid cell；在每个grid cell 里面存储30个信息。👇

Our final prediction is a 7 * 7 * 30 tensor，20 types and 2 bounding box with 5 parameter

  • 每个bounding box存储信息(Xt,Yt,Ht,Wt,Confidence)

  • 每个grid cell 存储30个信息

其中Xt和Wt是相对于width的归一化坐标；其中Yt和Ht是相对于High的归一化坐标；

在这里没有anchor的思想，并不是相对于anchor box的相对位移；而是直接预测(x,y,w,h)信息

Define Confidence

在论文中定义confidence的计算
在这里插入图片描述

Pr(Object)=1(如果这个预测框存在目标)or 0 (不存在)

IOU=truth和pred的交集部分/truth和pred的并集部分

所以在这里我们可以理解confidence是IOU

计算类别概率

在这里插入图片描述

最终的类别概率 = bounding box 为该类别的概率 * IOU(truth and pred)

V1网络结构

V1的网络结构借鉴了GoogleNet，采用Conv和Fully connected。

Yolo版本网络结构
YoloV1借鉴googleNet，采用Conv和Fully connected结构
YoloV2借鉴DarkNet19
YoloV3借鉴DarkNet53

下图是YoloV1的网络结构

在这里插入图片描述

卷积池化过程

图中（448，448，3） 经过特征提取得到（7，7，1024）

提取特征的过程是完成以下过程，完成特征提取。

如果不太了解卷积计算请看以下内容，目前已经更新常用的卷积核类型

【卷积计算】-单通道卷积 -深度卷积(多通道卷积) -逐点卷积 -实战YoloV1卷积网络 - 池化计算-CSDN博客

LayerStride,PaddingOutput
input（448，448，3）
Conv (7,7,64)S=2,P=3（224，224，64）
MaxpoolingS=2（112，112，64）
Conv (3,3,192)S=1,P=1（112，112，192）
MaxpoolingS=2（56，56，192）
Conv (1,1,128)S=1,P=1（56，56，128）
Conv (3,3,256)S=1,P=1（56，56，256）
Conv (1,1,256)S=1（56，56，256）
Conv (3,3,512)S=1,P=1（56，56，512）
MaxpoolingS=2（28，28，512）
Conv (1,1,256)S=1（28，28，256）
Conv (3,3,512)S=1,P=1（28，28，512）
Conv (1,1,256)S=1（28，28，256）
Conv (3,3,512)S=1,P=1（28，28，512）
Conv (1,1,256)S=1（28，28，256）
Conv (3,3,512)S=1,P=1（28，28，512）
Conv (1,1,256)S=1（28，28，256）
Conv (3,3,512)S=1,P=1（28，28，512）
Conv (1,1,512)S=1（28，28，512）
Conv (3,3,1024)S=1,P=1（28，28，1024）
MaxpoolingS=2（14，14，1024）
Conv (1,1,512)S=1（14，14，512）
Conv (3,3,1024)S=1,P=1（14，14，1024）
Conv (1,1,512)S=1（14，14，512）
Conv (3,3,1024)S=1,P=1（14，14，1024）
Conv (3,3,1024)S=1,P=1（14，14，1024）
Conv (3,3,1024)S=2,P=1（7，7，1024）
Conv (3,3,1024)S=1,P=1（7，7，1024）
Conv (3,3,1024)S=1,P=1（7，7，1024）

在这里插入图片描述

Transpose

transpose 转置；

  • 并非是每次都会用到的（非深度学习的基础设施）（一种上采样的方法）

特征提取的专职操作通常指的是转置卷积，也称为反卷积或上采样卷积。用于从较小的特征生成较大的特征映射的场景，主要目的是增加数据的空间维度，与传统的卷积操作相反，他是通过零填充来扩大输入特征图的，然后应用到卷积核的，以此生成具有更大空间尺寸的输出特征图。

Flatten

flatten 扁平化

  • 用于将多维度的输入数据转换为一维的数组，通常在卷积神经网络CNN与全连接层Dense Layer使用。
  • 假设有一个三位特征图，使用Flatten操作之后，这个特征图会转换为一维数组，作为全连接层输入，用于后面的分类、回归等后续任务。
  • Flatten本身不改变数据的总量，只是改变数据的形状，使其输入到全连接层中。
全连接层

FC，fully connected

（7，7，1024）Tensor 与 4096个神经元连接，组成全连接层，（7，7，1024）中的所有元素与4096个神经元全部连接。意味着这个层负责将（7，7，49）维的高级表示映射到一个4096更低维度的空间，以满足任务的需要。可以用于包括分类、回归或其他任务

Reshape

因为最后要映射到7 * 7 * 30的Tensor上，所以要进行一次reshape

请添加图片描述

Define Loss Function

损失分为三个部分：在计算boundingbox的损失时，考虑了不同形状的预选框大小对loss的影响

  • bounding box 预选框损失（计算(x,y)的位置误差平方和 + 计算(w,h)形状开根号的误差平方和）（正样本）
  • confidence 损失（confidence的误差平方和）（正样本、负样本）
  • classes 损失（分类概率的误差平方和）（正样本）
    在这里插入图片描述
    在这里插入图片描述

非极大值抑制

选用IOU或概率最大的，非最大的不采用为正样本。

Limitaion

  • 快速简单但是每个cell只能预测一个类别，如果出现重叠无法解决
  • 长宽比可以选择但是比较单一
  • 群体性小目标很难预测（bounding box种类少）
  • 目标出现新的尺寸或者配置
  • 定位不准确（直接预测目标坐标信息的方法导致定位信息不准确）

参考视频：

【3.1 YOLO系列理论合集(YOLOv1~v3)】 https://www.bilibili.com/video/BV1yi4y1g7ro/?p=2&share_source=copy_web&vd_source=a6e29e420e8c019a3e5c4c5485362849

SpaceSunflower
关注
专栏目录
目标检测算法——YOLO-Word——算法详解
TigerZ*的博客
04-19 1340
本文主要介绍YOLO-word 算法，从思路和数据角度去梳理输出文章的创新点，整体而言CLIP 文本embedding的引入以及大规模数据的加入，赋予了模型识别开集其余类目的能力。
【目标检测-YOLO】YOLOv5-5.0v-数据处理（第三篇）
热门推荐
博观约取，厚积薄发
03-27 1万+
前文链接： YOLOv5-v5.0-yolov5s网络架构详解（第一篇）_星魂非梦的博客-CSDN博客 YOLOv5-5.0v-yaml 解析(第二篇)_星魂非梦的博客-CSDN博客 YOLO Input Backbone Neck Head 置信度Loss 坐标回归Loss 分类Loss v1 448*448 GoogleNet FC*2 MSE v2 32x DarkNet-19 Passth.
YOLO学习笔记（2）：YOLOV1算法详解
qq_63129966的博客
03-11 3803
YOU ONLY LOOK ONCE!!!
YOLO v1 详解
Kula的博客
03-26 2594
（一）网络详解（二）网络训练（三）网络预测
yolov1网络架构的介绍
最新发布
2301_77444219的博客
08-03 1473
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。
yolov1网络结构说明
qq_30150579的博客
11-30 1326
yolov1网络结构说明
yolov1网络结构
core815的专栏
12-06 596
同时，每个网格还会预测框内是否包含物体的置信度（confidence），每个预选框都有一个置信度，以及物体属于每一类类别的概率（YOLO的训练数据为VOC2012，是一个20分类的数据集），也就意味着每个网格预测20个类别的概率。YOLO神经网络结构如下图所示。把一幅480x480的原图分割成7x7=49个网格，每个网格要预测两个预选框（bounding box）的坐标（x，y，w，h），其中x和y表示box中心点与该格子边界的相对值，w和h表示预测框的宽度和高度相对于整幅图像的宽度和高度的比例。
YOLOv1的loss计算公式——思考
小坏蛋的博客
04-10 524
YOLOv1的loss计算公式——思考
YOLO系列笔记 -- V1
DIAJEY的博客
04-10 499
参考文章： https://blog.csdn.net/qq_38232598/article/details/88695454 YOLO核心思想 ·端到端：采用直接回归的思路，将目标定位和目标类别预测整合于单个神经网络模型中 ·直接在输出层回归bbox的位置和所属类别 – 快！！！ 1.将一幅图像分为SXS个网格，如果某个object的中心落在网格中(通过ground-truth框确定)，则对应网格就负责预测这个object 2.对于网络预测的Bounding box，除了回归自身位置外，还需要带一个
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 4184
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
yolo-v1前向结构
12-27
yolo-v1前向结构，用绘图的形式阐明了yolo-v1的算法原理，简洁明了，一目了然。
yolo v1 目标检测算法的损失函数详尽代码注解
05-02
应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。
目标检测YOLO实战应用案例100讲-基于CNN的卫星图像下舰船目标检测与识别
qq_36130719的博客
08-31 458
近年来，一方面，随着经济全球化进程地不断推进，各国之间的贸易往来日益增多， 如何应对指数式爆发增长的货物运输成为制约各国经济发展的重要因素。在众多运输方 式中，海洋运输以其大载量和低运费的特点脱颖而出，并逐步成为国际物流中最主要的 运输方式，据统计，国际贸易总运量中的2/3以上、中国进出口货运总量的约90%都是 利用海上运输[1]，海洋运输已经成为国际贸易运输不可或缺的一部分。
[ 目标检测 ] 经典网络模型5——YOLO-v1 详解与复现
A_John 的博客
07-07 1701
[ 目标检测 ] 经典网络模型5——YOLO-v1 详解与复现 1、You Only Look Once； 2、YOLO-v1详解；特点、网络结构：网络设计 结构框图 损失函数 局限性 性能比较 ； 3、YOLO-v1复现； 在此之前目标检测都有着多阶段的过程，并采用单独的分类器来进行分类 ； 如 R-CNN 利用一系列 SVMs 对生成的 Region proposals 进行分类预测，存在着 检测速度慢、优化难 的问题 ； YOLO 算法将目标检测作为一个单一的回归问题，直接对输入图像进行边界框与类别.
YOLOV1 损失函数计算 解读
shenjianhua005的专栏
02-03 1759
本文是认真研读loss.py后自己的理解，如有理解错了，还请指正，感谢~ 文中指的cell就是指划分的小单元格 完整github:https://github.com/motokimura/yolo_v1_pytorch.git 损失函数定义： https://towardsdatascience.com/yolov1-you-only-look-once-object-detection-e1f3ffec8a89 Loss主要包括(x,y),(w,h) ,c 类别，四个loss，其中又分为包含o
yolo v1 loss
adaadadsa的博客
08-17 547
yolov1 loss学习模型输出解析7x7x30特征图并计算loss 模型输出 yoloV1模型最后连接两个全连接层，分别把特征图尺寸归一到4096和想要的7x7x30，怎样对7x7x30进行解析并计算loss的呢 解析7x7x30特征图并计算loss 模型输出： 模型输出会有很多个batch，每个batch输出就像上图所示，假设为output，为7x7x30的特征图，所以对每个batch进行遍历，得到当前batch特征图，然后对每个grid进行遍历，即遍历特征图的宽和高，得到output[bi, w
YOLO算法系列之YOLOv1精讲
m0_37940804的博客
04-22 5964
目录 YOLOv1网络结构 YOLOv1输入与输出映射 YOLOv1损失函数 坐标损失函数 置信度损失函数 类别损失函数 总结 大家好，我是羽峰，今天要和大家分享的是YOLOv1算法. 本文有文字和视频，感兴趣的话可以看视频，视频在我主页能找到，可能视频讲的更细。 YOLOv1算法是YOLO系列算法的基础，理解YOLOv1可以更好的理解YOLO系列算法。希望通过本文的讲解，能帮助你更好的理解YOLO系列算法。 YOLOv1网络结构 首先我们要理解的是yolo的网络结构，如图1所示，其实
YOLOV1详解
weixin_43566977的博客
08-07 3630
yolov1详解
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

SpaceSunflower

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值