YOLO V1论文解读

最新推荐文章于 2024-01-31 13:06:39 发布

Paul-LangJun

最新推荐文章于 2024-01-31 13:06:39 发布

阅读量422

点赞数

分类专栏：神经网络概率与统计文章标签：计算机视觉深度学习算法

本文链接：https://blog.csdn.net/gaoxueyi551/article/details/115257287

版权

神经网络同时被 2 个专栏收录

45 篇文章 10 订阅

订阅专栏

概率与统计

21 篇文章 0 订阅

订阅专栏

一、背景

两阶段目标检测流程繁琐，不易掌控，且速度慢，无法满足需要高度实时性的检测任务，如车道线检测，视频监控等。

二、特点

非常快。基础版本每秒处理45帧，快速版本可处理150帧。
基于全局上下文编码图像。给模型提供了更大的上下文信息，视野更开阔了，减少了对背景的误判数量。
泛化性更强。这使得yolo在不同领域、不同输入下能保持较高的精确度。

三、大一统的检测框架

YOLO将目标检测过程进行了极大的简化，训练过程不再需要候选区域，仅通过训练一个卷积网络便完成模型的构建，测试时输入图片，直接输出图片中含有对象的目标框以及所属类别，实现了端到端的快速检测。

在YOLO中，图片被分成 $S\times S$ 个格子，原文是 $7\times 7$ ，如下图所示。

如图，狗、自行车、轿车的标注框已给出，每个物体的中心点必然落在某个格子内部，由物体中心点所在的格子负责检测该物体，也就是一个格子负责检测一个物体。如图，红格子负责检测狗，蓝格子和黄格子分别负责检测自行车和轿车。另外，格子包含物体与否，要看物体的中心点是否落在格子内，如果落在格子内，则表示格子包含物体，否则格子不包含物体。

每个格子负责预测输出 $B$ 个边界框，每个边界框的构成是 $\left ( x,y,w,h,confidence \right )$ ，分别表示边界框的中心点坐标、宽度、高度以及置信度， $(x,y)$ 是相对于格子左上角坐标的偏移，并且单位是相对于格子的大小，而 $(w,h)$ 是相对于整个图片的宽与高的比例，这样4个元素的大小都在[0,1]范围内。

重点说下置信度。如果格子不包含物体，期望模型输出的边界框置信度是0，如果格子包含物体，期望模型输出的边界框置信度等于边界框实际的置信度 $IOU^{truth}_{pred}$ （格子包含的物体的真实标注框与格子预测输出的边界框的交并比），说白了，模型给出的分数要和实际计算的分数一致才行。

每个格子还负责预测输出 $C$ 个类条件概率 $\textup{Pr}\left ( \textup{Class}_i|\textup{Object} \right )$ ，表示如果格子包含物体且包含的物体属于 $\textup{Class}_i$ 的概率，总共有 $C$ 个类别。注意：无论每个格子预测输出多少个边界框，每个格子仅预测输出 $C$ 个类条件概率值。

在测试阶段，每个边界框会根据其对应格子输出的 $C$ 个概率计算属于每个类的得分，即 $\textup{Pr}(Class_i)\ast confidence$ ， $\textup{Pr}(Class_i)$ 是 $C$ 个概率之一，这样每个边界框都会得到一个 $1\times C$ 的得分向量，图2给出了得分向量的计算过程。

整个图输出98个 $1\times C$ 的得分向量（论文是 $1\times 20$ ），如下图所示。

模型最终的输出维度是： $7\times 7\times (B\times 5+C)$ 。

四、NMS过程

引用自：YOLO系列算法详解

在测试阶段，每副图片输出98个边界框的得分向量，为了得到最可靠的边界框，YOLO使用了NMS，图4-6给出了详细流程。

NMS的第一步是对每个边界框进行标注，因为每个边界框的得分向量中必定存在一个最大值，对应了其内部最有可能的物体类别，标注完成后，进入NMS过程。

如图5-6，对于图4中标注为狗的边界框集合中，将得分小于0.2的置0，再按照得分从高到低排序，然后使用NMS。NMS: 针对某个类别，例如狗这个类别，选择得分最高的边界框，然后计算它与其他边界框的IOU，如果IOU大于0.5，则说明重复率较大，将对应的边界框得分设置为0，否则不做处理，重复完之后，然后从未处理的边界框中选取一个得分最高的，重复上述步骤，直到没有边界框可以处理为止，这样便把所有可能包含狗并且得分较高的边界框过滤了出来。标注为其它类别的边界框的处理过程同上。

五、损失函数

YOLO的损失函数定义比较繁琐，其大致形式采用了均方误差，这比较容易优化。损失由定位损失、置信度损失、分类损失构成。

定位损失：

$L_{coord}=\lambda _{coord}\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{I}^{obj}_{ij}\left [ \left ( x_i-\hat{x_i} \right )^2+ \left ( y_i-\hat{y_i} \right )^2\right ]\ \ +\ \ \lambda _{coord}\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{I}^{obj}_{ij}\left [ \left ( \sqrt{w_i}-\sqrt{\hat{w_i}} \right )^2+ \left ( \sqrt{h_i}-\sqrt{\hat{h_i}} \right )^2\right ]$

其中，开根号目的是均衡不同大小的预测边界框对坐标误差的敏感度， $\lambda _{coord}=5$ 是权重，目的是增加坐标损失的权重，定位不准确要比分类不准确糟糕的多，连位置都把握不准，何谈分类准确性。 $\mathbb{I}^{obj}_{ij}$ 表示第 $i$ 个格子的第 $j$ 个边界框负责检测中心点落在第 $i$ 个格子的目标，标准是第 $i$ 个格子的第 $j$ 个预测边界框与落在第 $i$ 个格子的物体的真实标注框有最大的IOU值。前提是格子包含物体，对于图1，仅有三个格子包含物体的中心点，否则 $\mathbb{I}^{obj}_{ij}=0$ 。

图 7、格子的预测边界框

如图7，红色框是狗的标注框，中心点所在的格子输出了两个边界框，很明显，左侧的边界框与标注框的IOU大于右侧边界框与标注框的IOU，因此，左侧的边界框负责检测狗。

置信度（边界框得分）的损失：

$L_{IOU}=\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{I}^{obj}_{ij}\left( C_i-\hat{C_i} \right )^2\ +\ \lambda _{noobj}\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{I}^{noobj}_{ij}\left( C_i-\hat{C_i} \right )^2$

分为包含物体的格子对应的损失项（左侧）和不包含物体的格子对应的损失项（右侧），对右侧损失项施加了权重0.5，因为不包含物体的格子远多于包含对象的格子，如果同等对待，右侧的损失项会主导BP过程，造成学习不稳定。对于包含物体的格子，期望预测输出的置信度 $\hat{C}_i$ 与实际的置信度 $C_i=IOU^{truth}_{pred}$ 越接近越好，对于不包含物体的格子，期望预测输出的置信度 $\hat{C}_i$ 等于0。

分类损失：

$\sum_{i=0}^{S^2}\mathbb{I}^{obj}_{i}\sum_{c\in\textup{Classes}}^{}\left ( p_i(c)-\hat{p}_i(c) \right )^2$

其中， $\mathbb{I}^{obj}_i$ 表示第 $i$ 个格子是否包含物体，包含物体为1，反之为0。如果包含物体，且格子的标注one-hot向量和预测得分向量距离很接近，则损失较小，反之损失较大。

六、优缺点

引用自：yolo算法详解。

优点：YOlO采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以YOLO算法比较简洁且速度快。第二点由于是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，YOLO的泛化能力强，在做迁移时，模型鲁棒性高。

缺点：YOLO各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，YOLO的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。YOLO对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然YOLO的定位不准确也是很大的问题。

Paul-LangJun

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
YOLO V1论文解读

一、背景两阶段目标检测流程繁琐，不易掌控，且速度慢，无法满足需要实时性的检测任务。二、特点快速。每秒处理45帧，快速版本可处理150帧。全局上下文编码。提供了更大的上下文信息，减少了对背景的误判数量。可捕捉到目标的泛化表示。这使得yolo在不同领域、不同输入下能保持较高的精确度。在小物体检测检测方面性能优良。三、几个概率在文章中，涉及到了几个概率，下面对这些概率做一些说明。...
复制链接

扫一扫

专栏目录