YOLO全系列更新,YOLO的进化历程

由于在学习中没能找到用一篇即能感受YOLO的全部发展和变化的文章,所以决定自己写一篇,有不当可评论指出!!

本文重点在yolov1-yolov5不同版本间进行了哪些升级和改变,因此,本文仅适用于对yolo有初步了解的同学,如果对yolo完全没有概念还请先对yolo进行系统的学习.以免在此文上浪费时间///

YOLOv1:

1. 提出 anchor free 的想法,通过将一幅图像分成SxS个网格(grid cell)，如果某个object的中心 落在这个网格中，则这个网格就负责预测这个object.
   

2. 每个网络需要预测B个BBox的位置信息和confidence（置信度）信息，一个BBox对应着四个位置信息和一个confidence信息。confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息,举例说明: 在PASCAL VOC中， 图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。
   具体网络设计:

3. 每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。则SxS个网格，每个网格要预测B个bounding box还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的。）

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

4. loss的计算

这个损失函数中：
只有当某个网格中有object的时候才对classification error进行惩罚。
只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。

损失函数设计

缺点:

1. 由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。
2. 虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。这是YOLO方法的一个缺陷。
3. YOLO loss函数中，大物体IOU误差和小物体IOU误差对网络训练中loss贡献值接近（虽然采用求平方根方式，但没有根本解决问题）。因此，对于小物体，小的IOU误差也会对网络优化过程造成很大的影响，从而降低了物体检测的定位准确性。

算法核心:

1. 提出anchor free的思想,无锚的算法使得其速度优势很大,但由于只有两个bbox,且两个bbox只能同时预测单个分类(B x 5 + C)的输出特征图,意味着一次只能预测一个物体,所以导致网络的召回率极低
2. 改进Loss计算策略,将坐标和长宽归一化,保证每个cell负责一个物体的中心点

YOLOv2

对于yolov1改进之处

核心:

1. 回归先验框机制:通过在coco和voc数据集上使用k-mean聚类的方式,在每个cell上,设置5个先验框(如下)

COCO: (0.57273, 0.677385), (1.87446, 2.06253), (3.33843, 5.47434), (7.88282, 3.52778), (9.77052, 9.16828)
VOC: (1.3221, 1.73145), (3.19275, 4.00944), (5.05587, 8.09892), (9.47112, 4.84053), (11.2364, 10.0071)

2. New Network: 使用新的网络结构 Darknet-19(结构如下)

3. 坐标回归方式

4. Fine-Grained Features（passthrough层检测细粒度特征）

意义:
对象检测面临的一个问题是图像中对象会有大有小，输入图像经过多层网络提取特征，最后输出的特征图中（比如YOLO2中输入416416经过卷积网络下采样最后输出是1313），较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，最后输出的特征图需要保留一些更细节的信息。
YOLO2引入一种称为passthrough层的方法在特征图中保留一些细节信息。具体来说，就是在最后一个pooling之前，特征图的大小是2626512，将其1拆4，直接传递（passthrough）到pooling后（并且又经过一组卷积）的特征图，两者叠加到一起作为输出的特征图。

5. Multi-Scale Training多尺度训练,在固定个数的batch后修改图片尺寸,实现多尺度训练,使得模型对大,小物体性能更佳.图片尺寸如下:

6. Loss 计算方式更改,更加复杂

-----------------Updating is not finished-----------

YOLOv3

引入FPN

YOLOv4

引入PAN, 网络csp block,
准确度更高

YOLOv5

引入PAN, 网络csp block,YOLOv4和YOLOv5的区别还有待分析
速度更快
两者整合了大量的data argumentation,融合了现有的大部分backbone和网络融合特征
但YOLOv5基于pytorch框架,速度更快,配置文件对用户修改更加友好

参考文献:
8. https://blog.csdn.net/c20081052/article/details/80236015
9. https://zhuanlan.zhihu.com/p/136382095
10. yolov2:https://blog.csdn.net/shanlepu6038/article/details/84778770
7.yolov1 https://blog.csdn.net/c20081052/article/details/80236015