YOLOv1论文阅读笔记

论文：《You Only Look Once: Unified, Real-Time Object Detection》（CVPR2016）

代码：https://gitcode.net/mirrors/alexeyab/darknet?utm_source=csdn_github_accelerator

目录

1、创新点

2、处理过程

3、主要思想

4、网络结构

5、损失函数

6、局限性

---

1、创新点

（1）Two-stage（RCNN，fastRCNN，faster-RCNN）→ One stage（YOLO系列）；

（2）检测任务 → 回归任务，仅仅通过一个神经网络，就可以得到bounding box的位置及其所属类别（端到端检测）；

（3）在整张图像上进行推断，与fast-RCN相比，有效减少了背景误检数量；

（4）检测速度快：45FPS (448×448），准确率高：63.4mAP。

2、处理过程

（1）将输入图像的大小调整为448×448，分割得到7×7大小的网格；

（2）通过CNN提取特征和预测；

（3）利用非极大值抑制（NMS）进行筛选。

3、主要思想

​（1）YOLO将目标检测问题作为回归问题。将输入图像分成S×S的网格（grid cell），如果一个物体的中心点落入到一个grid cell中，那么该grid cell就要负责预测该物体。

（2）每个grid cell只预测一个目标，会生成B个预测框（bounding box），每个预测框包含一组(x, y, w, h, c)参数。

（3）除此之外，每个bounding box还要预测C个类别分数。

x, y：bounding box的中心坐标相较于该bounding box归属的grid cell左上角的偏移量，在0-1之间。

​w, h：bounding box的宽和高，也归一化到了0-1之间，表示相较于原始图像（448×448）的宽和高的比例。

c：置信度(confidence)

​grid cell中有目标时：Pr(Object)=1，​；

grid cell中没有目标时：Pr(Object)=0，​。

类别分数：属于该类别的概率（0-1之间），条件概率与置信度的乘积。

​

​        在PASCAL VOC数据集上，S=7，B=2，C=20，因此网络的输出为S × S × (5×B+C) → 7 × 7 × (2×5+20)。

4、网络结构

        YOLO网络借鉴了GoogLeNet，输入图像尺寸为448×448，经过24个卷积层，2个全连接层，最后reshape操作，输出特征图大小为7×7×30。

​

5、损失函数

• localization loss -> 坐标损失
• confidence loss -> 置信度损失
• classification loss -> 分类损失

​（1）坐标损失

​对宽和高加根号能够使得同样的IoU误差对大目标与小目标的惩罚值不同：

​

（2）置信度损失

​正样本损失：第i个grid cell中存在目标的情况，​

负样本损失：第i个grid cell中不存在目标的情况，​

（3）类别损失

​6、局限性

1、YOLO对相互靠近的物体，以及群体小目标的检测效果不好，这是因为一个网格只预测了2个框，并且都只属于同一类。

2、由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，small error影响更大）

3、当目标出现新的尺寸或比例时，预测效果较差（直接预测坐标信息，而不是回归参数，泛化能力差）。

参考：

【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）_yolo论文-CSDN博客

YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）-CSDN博客