yolo v1原理

目标检测系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687

基本原理

将输入图像划分为S*S(最终feature map的大小)个cell,每一个cell预测B个bounding boxes，以及这些bounding boxes的confidence scores(置信度)，以及C个类别概率。由于一个cell只有一组分类概率，所以在yolov1中，一个cell只能预测一个物体。训练过程中，ground truth的中点落在哪个cell中，那个cell就负责预测这个ground truth框。

网络结构

摘自论文翻译：我们的网络架构受图像分类模型GoogLeNet的启发。我们的网络有24个卷积层，后面是2个全连接层。我们只使用1×1降维层，后面是3×3卷积层，这与Lin等人类似，而不是GoogLeNet使用的Inception模块。完整的网络如图所示。我们还训练了快速版本的YOLO，旨在推动快速目标检测的界限。快速YOLO使用具有较少卷积层（9层而不是24层）的神经网络，在这些层中使用较少的滤波器。除了网络规模之外，基本版YOLO和快速YOLO的所有训练和测试参数都是相同的。我们网络的最终输出是7×7×30的预测张量。

实现细节：

S*S格的划分

其实就是看CNN提取特征最后一层的输出大小。原始论文中输入是448*448，最后输出的feature map是7*7（缩小64倍），那么就划分为7*7的cell。每一个cell最终会产生一个30维的向量（B=2，一个cell产生2个bounding box的坐标位置和置信度，以及20个类别的概率 B(4+1)+20=30）。

正负样例的选择

一个cell中有多个bounding box，那么具体是哪个bounding box作为有效的，而其他作为无效的呢？训练过程中，将每个预测的bounding box和gt求IOU。这个cell中的哪个bounding box与gt的iou大，那么这个bounding box就就是有效的bounding box，作为正样例（response bounding box）。其他bounding box就作为负样例（not response bounding box）。（有的资料中需要把iou小于某一个阈值，才作为负样例。其实区别不大，就是在计算负样例的置信度loss的时候的数量不一样而已）

一个cell中有多个gt怎么处理？

这个是yolo v1的缺点，一个cell只有一组概率预测，也就是一个cell只能预测一个物体。所以如果一个cell中有多个gt，那么只能选择其中的一个用来训练。

位置信息

位置信息采用归一化的(X中心，Y中心，宽，高)表示

X中心的归一化采用相对cell的x轴长度表示。图中的黄色虚线a/黄色虚线b

Y中心的归一化采用相对cell的y轴长度表示。图中的蓝色虚线a/蓝色虚线b

宽的归一化表示采用相对原始图片的宽度表示。图中的黄色虚线c/黄色虚线d

高的归一化表示采用相对原始图片的高度表示。图中的蓝色虚线c/蓝色虚线d

置信度（confidence）

bounding box的置信度 = 该bounding box内存在对象的概率 * 该bounding box与该对象实际bounding box的IOU

损失函数

损失函数分为三部分：坐标误差，置信度误差和分类误差

置信度误差针对所有的bounding box都要计算。由于无效的bounding box多，所以无效bounding box的置信度有一个系数系数0.5

坐标loss针对有物体的bounding box（response bounding box）计算，分类loss针对有物体的cell计算

如何判断一个bounding box是有效的还是无效的

首先是判断gt的中点有没有落在cell里面，如果落在cell里面，那么预测的两个bounding box，哪个和gt的iou大，哪个就是有效的bounding box，是正样例（response bounding box），而iou小的就作为负样例（not response bounding box）。有些资料里面把iou小于某一个阈值才作为负样例。

yolo推理

yolo推理的时候，把置信度乘以分类的最高概率，作为一个bounding box的得分，然后大于某一个阈值的得分的bouding box再送到NMS里面处理，最终得出输出框

数据增强

通过改变训练数据的饱和度，曝光度，色调，抖动进行数据增强

 

yolo v1的优缺点

优点：

速度快，达到了完全实时的效率

错误率低（相对于faster rcnn会把很多背景预测为物体）

泛华能力强（在美术绘画作品中也有较好的效果）

缺点：

定位不够精确（map低）

对小目标检测效果不好（召回率低）

 

参考资料

《真的，关于深度学习与计算机视觉，看这一篇就够了 | 硬创公开课 》

《物体检测-回归方法（YOLO+SSD） 》

《 RCNN学习笔记(10)：SSD:Single Shot MultiBox Detector 》

《YOLOv1论文理解》

《YOLO详解》来自 <https://zhuanlan.zhihu.com/p/25236464>

《YOLO: Real-Time Object Detection 官网》来自 <https://pjreddie.com/darknet/yolo/>

《【YOLO】详解：YOLO-darknet训练自己的数据》来自 <http://blog.csdn.net/Jinlong_Xu/article/details/75577007>

《TensorFlow-YOLO代码阅读笔记——YOLO中的Loss是如何计算的？》来自 <https://www.cnblogs.com/irenelin/p/7612129.html>

《YOLO v1的详解与复现》http://www.cnblogs.com/xiongzihua/p/9315183.html

github开源实现 https://github.com/xiongzihua/pytorch-YOLO-v1