【目标检测】YOLOv1总结

yolov1总结

笔记内容：

主要是关于yolo论文的概述以及文章的主要思路，阅读前一定要自己进行全文的阅读（个人认为是借鉴作用），另外因为个人水平问题可能写的不够完善，之后会进行陆续的补充
笔记链接：Yolov1笔记

Faster-rcnn笔记链接：Faster-Rcnn笔记

文章内容“：
02.YOLO-V1
📄论文题目
You Only Look Once: Unified,Real-Time Object Detection
👨‍💻作者
Joseph Redmon:YOLO系列的提出者
❓四个问题
❔要解决什么问题？
以 解决当时先进算法检测速度比较慢的问题为核心，并且获得了不错的检测精度
❔使用什么方法解决问题？
使用单一网络直接从图像像素到边框坐标和类概率，只需要对图像检测一次就能实现定位与识别（同时进行特征提取、边界框预测、非最大抑制和上下文推理。网络不是静态特征，而是在线训练特征，并根据检测任务优化它）

❔还存在什么问题？
YOLOV1检测精度低于当时的先进网络算法
YOLOV1容易产生物体定位错误
YOLOV1对小目标的检测效果不好（每网格只能预测两个物体）
✨论文概述
🔸1.Abstract
一个单一的神经网络在一次检测中直接从完整的图像预测边界框和类别概率（单一的检测网络可以实现端到端的优化）。YOLOv1在检测过程中相较于其他优秀的算法对比，会产生更多的定位错误但是更少的误检背景信息。
端到端：端到端学习是一种解决问题的思路，与之对应的是多步骤解决问题，也就是将一个问题拆分为多个步骤分步解决，而端到端是由输入端的数据直接得到输出端的结果。（简而言之就是不要预处理和特征提取，直接把原始数据扔进去得到最终结果）
🔹2.Introduction
将对象检测重新定义为一个单一的回归问题，直接从图像像素到边框坐标和类概率，只需要对图像检测一次就能实现定位与识别。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。
但是存在一些缺点：
YOLOV1检测精度低于当时的先进网络算法
YOLOV1容易产生物体定位错误
YOLOV1对小目标的检测效果不好（每网格只能预测两个物体）
🔸3.Unified Detection

3.1 Network Design
网络设计源于Google网络模型，包含24个卷积层，2个全连接层，但而外使用了一个 1 * 1的简化层。

3.2 Training
训练细节：
网络结构中：前20个卷积层 + 平均池化层 + 全连接层 进行一周的训练
由于检测需要视觉细粒度信息：输入有224 *224 变为 448 * 448
使用图像的高与宽规格化边框的宽高：让边框的计算大小在0~1之间。
最后一层所用激活函数：

增加边框坐标预测损失：λcoord=5， λnoobj= 0.5
预测边框高度与宽度的平分根：大的边界框中小偏差比小边界框中的小偏差影响小
损失函数：

避免过拟合：使用dropout 和 Extensive data augument
Extensive data augument : 通过各自方式（平移、翻转、剪接及添加噪声等）扩充数据集
3.3 Limitations of YOLOV1
预测数目的限制：每个网络只能预测两个框和一个类别
不同预测边界框的损失函数的误差相同：损失函数小的包围盒和大的包围盒中处理错误是一样的，所以错误信息对小包围盒的影响恶劣。
对小目标及不常见尺寸目标检测效果不佳
🔹4.Comparison to Other Detection Systems
YOLO的网络同时进行特征提取、边界框预测、非最大抑制和上下文推理。网络不是静态特征，而是在线训练特征，并根据检测任务优化它们。
🔸5.Experiment
YOLOv1可以很好实现实时检测并且在各方面的表现（AP,MAP等）都不错，某些情况下检测效果最好。但是确定也较为明显，比如检测精度低于当时的先进网络算法，容易产生物体定位错误及对小目标的检测效果不好（每网格只能预测两个物体）等。
👀补充

附录