YOLO系列之YOLO V1

1.写在前面

这是我发布的目标检测系列论文之二，前面一个章节，我们已经讨论过了目标检测系列中最基础的东西，常见指标以及相关的一些概念。那么本次，我将介绍一下YOLO系列的初代版本，YOLO V1

论文链接点击直达

2. 模型介绍

前面我们已经说过了，One-Stage算法具有实时检测的FPS，实用性特别的好，因此作为YOLO系列的第一代版本，论文的名字就已经说明了一切You only Look Once

我们先来看一下效果：

再来看看YOLO V1在当时的性能如何？

我们可以看到YOLO在损失比较小mAP的情况下，带来了极大的FPS增益效果，因此在当时还是引发了不小的轰动，所以我们来看看他是怎么实现的吧！

3.原理讲解

那么作者是怎么做的呢？首先我们来看一张图片：

这张图像很好得诠释了YOLO V1的模型，它先把图像resize成448x448的大小，然后将这个图像分割成SxS的大小，也就是说哈，我拿一个刀，将图像切成一个个的豆腐块。

再之后，每个豆腐块（网格）需要预测B个bounding box(论文中指出，B=2)，除了预测位置信息之外，还要预测一个confidence参数，表示该候选框能有多大的把握框中了物体。

这里可能有小伙伴就迷糊了，你一个豆腐块你怎么预测候选框(bounding box)呢？其实意思是这样的，就是你可以理解成以豆腐块为中心，画B个框出来，然后如果有物体就逐步调整和Ground truth最大IOU的那个框，直到这个框和ground truth 的IOU最大。还是不理解就看下面的图：

A,B这两个格子是SxS格子中的任意两个，以A为中心，画出了一个绿色一个黄色连个框框，同样B也是如此。之后我们发现。，B这个格子里好像没有物体欸，那么他的confidence必然很低，那么我们不管他，我们看A这个格子，直观上看，确实是框中了物体，所以他的confidence必然高。那么我们继续看，明显绿色这个框要比黄色这个框要好，因为啥？因为绿色框和Ground Truth的IOU高呀！那么我们就舍弃黄色的框，保留绿色的框。
那么明白了之后，我们就要分析每个豆腐块会预测出多少个数字了，这很重要！

首先，对于一个豆腐块，我要知道候选框的框框左上角的x,y值，以及这个框的宽和高吧

然后刚才说了，还要有一个置信度吧，表示这个框有多大可能圈中了物体

并且每个豆腐块产出B个框，如图，粉色和橙红色的框。

那么就有B*5个数了，然后这个豆腐块还要预测我框出的是什么类别，因为pascal voc数据集一共有20个类别，那么我们还要带上20个类别概率，表示当前框框框中的是当前类别的概率是多少。就像这样：

好了，接下来我们来讨论一下是如何调整候选框，使得候选框的IOU最大的呢？这时候不得不提到它的损失函数：

首先我们看位置误差。

如图：对于这个函数，当时小物体的时候，你移动非常小的距离，他变化的很快，但是对于大物体，你移动比较大的距离，他变得很小。不敏感。

然后我们再来看看置信误差，这里为什么含有obj的误差和不含obj的误差分开来算呢？

这是因为呀，在图像中，一般前景比较少，背景比较多，那如果两者一起算了，很容易出现负样本过多，正负比例不均衡！所以要加一个${\lambda }_{noobj}$作为惩罚因子！

最后的分类误差就是简单的MSE Loss，在这里不再赘述。

总结一下：

1. 一共有SxS个格子，然后每个格子会画两个框
2. 根据置信度，看看哪些框圈中了物体
3. 再比较框和Grouth Truth 的IOU大小，保留大的
4. 通过Loss逐步调整候选框的大小

4.写在最后

这次我们分析了yolo 的第一个版本，他虽然有诸多优点，比如快速简单，但是还是存在如下缺点：

• 每个Cell（豆腐块）只预测一个类别，如果重叠那么就无解
• 小物体效果检测很一般，候选框长宽比可选但是单一