【YOLO系列】YOLO V1论文思想详解

---

前言

以下内容仅为个人在学习人工智能中所记录的笔记，先将目标识别算法yolo系列的整理出来分享给大家，供大家学习参考。

本文未对论文逐句逐段翻译，而是阅读全文后，总结出的YOLO V1论文的思路与实现路径。

若文中内容有误，希望大家批评指正。

---

在学习YOLO V1前，大家可自行下载一下文件：

YOLO V1的论文：You Only Look Once: Unified, Real-Time Object Detection

项目地址：官方地址

---

一、YOLO是什么？

YOLO全称为you only look once，中文意思是：你只看一次。也就是说看一次即可得出结果。

这也是YOLO算法的精髓所在：一次出结果，也就是大家熟悉的end-to-end模式。

在文章Abstract中，就直接说明了YOLO是将object detection当做一个regression problem

同时在摘要中也指出了YOLO V1的一系列优点：

1、速度快，检测速度可以达到45 FPS，Fast YOLO可以达到155 FPS；
2、假正例少；
3、泛化能力强。

---

二、YOLO V1的基本思想

YOLO V1是一个快速的end-to-end的目标检测算法，基本思想是：

将图片划分为S×S个网格，物体落在那个网格，那个网格就负责预测那个网格里面的物体的位置、置信度以及类别。

将object detection变为regression问题。

---

三、YOLO V1的整体思想

正如图中所示，YOLO V1的整体思路就是

Resize image —>Run convolutional network—> Non-max suppression

1、整体的检测过程

由于YOLO V1中使用了FC层，所以需要将输入的图片的尺寸resize为448×448，然后将图片划分为S×S个网格，如果物体的中心落入一个网格中，那这个网格就负责预测这个物体。
每个网格会预测B个bounding boxes和这些boxes的confidence scores，这个confidence scores表示box中所包含目标的置信度和box预测的准确率。被定义为：

Pr(Object) 表示box有无物体的概率，有物体Pr(Object)=1，无物体Pr(Object)=0。因此当box中有物体时，Confidence scores则等于预测框与真实框的IOU值。

每个bounding boxes包含了5个预测值：x，y，w，h，confidence。（x，y）为box相对网格单元的中心点坐标，注意这里是需要归一化到0-1，也就是需要除以网格单元的大小；w，h是相对于整个图片大小的预测值，也是0-1之间。

这个将x，y，w，h均做了归一化，是因为YOLO V1是一个回归问题，而回归值的范围是在（-∞，+∞）之间，因此归一化是为了减小范围，将回归限制在0-1之间。

每个网格单元也会预测该物体是属于C种类别的概率，Pr(Classi|Object)。

每个网格单元只会预测一种类别，而不会管有几个boxes，因此无法对一个网格中的多种类别进行预测，这可能也是YOLO V1中False Positive少的原因。

在test的时候，将网格类别的概率与confidence score相乘可以写为：
Pr(Classi|Object)* Pr(Object)*IOU = Pr(Classi)*IOU

因此，在YOLO V1中，目标检测就转化为一个回归预测问题，而这个预测可以表示为一个S×S×(B*5+C) 的tensor。在论文中S=7，B=2，用的数据集为PASCAL VOC，所以C=20，所以最终的预测是一个7×7×30的tensor。

2、网络设计

YOLO V1使用的是PASCAL VOC数据集，整个网络设计是借鉴了GoogLeNet模型的思想，首先用卷积层提取特征，然后用全连接层输出预测值和坐标值。

整个网络包含了24个卷积层和2层全连接层。在卷积层中YOLO V1中没有用GoogLeNet的初始模块，而是直接用1×1的卷积层后接3×3的卷积层。其目的就是为了降维。

作者他们还训练YOLO的快速版本，即卷积层只有9层的网络。
在训练网络时，作者首先将前20层卷积层在ImageNet 1000-class数据集中进行预训练，然后再使用模型时再添加4层卷积层和2层全连接层。没有将24层卷积层全部拿去预训练就是为了防止过拟合。
在卷积层中使用的激活函数为LReLu函数：

3、Loss

YOLO V1中的损失函数为sum-squared error，即平方和误差。通过上文的介绍我们可以知道YOLO V1中的Loss一共有三部分：1）坐标误差、2）置信度误差、3）分类误差。
理解YOLO V1的损失函数首先需要明确一、每个cell中有无目标，二、每个cell包含两个box，而一个目标只由一个box负责，则另一个box无目标。

① 坐标误差：只计算cell中有目标的box的loss，无目标的框不需要计算loss。此外可以注意到，对于预测框的宽和高的loss是用开方来计算的，这是因为小目标的预测对w和h的误差更敏感。

例如：一个大小为20和100的目标，预测结果为10和90，若直接将他们之间的差值作为损失计算，则损失一样，但显然小目标的检测效果要差一些。

而开方后，(20^1/2-10^1/2)²=1.716 ，(100^1/2-90^1/2)²=0.263 ，这相当于增大的小目标的Loss，从而强化了小目标的检测。当然这里的w预测值需要归一化，但是结论是一样的。

② Confidence误差：即IOU误差。在IOU误差加入了一个权重项λnoobj，这是由于在检测过程中，正负例样本不均衡，包含正例的bbox少于不包含正例的bbox，因此为了让包含正例的bbox更多的去影响Loss，所以加入一个权重项降低负例的影响。

③ 分类误差：同理，包含了目标的cell才计算损失，不包含的不计算。但是在YOLO V1中，一个cell只预测一种类别的物体，这对于类别密集的目标检测不友好。

在训练中使用dropout=0.5是防止过拟合，随机缩放和平移原始图像大小的20%来数据增强。在HSV颜色空间中将图像的曝光和饱和度随机调整1.5倍。

---

在预测过程中还使用了==NMS（non-maximal suppression）==去除重复的框，只保留概率值最大的框。

NMS的大致流程为：
① 对所有预测框的置信度降序排序；

② 选出置信度最高的预测框，确认其为正确预测（下次比较就这个框就被删除了），并计算它与其他预测框的IOU；

③ 根据2中计算的IOU去除重叠度高的，IOU>threshold就删除；

④ 剩下的预测框返回第一步，直到没有剩下的为止。

---

四、YOLO V1的优缺点

1、优点

① 网络简单，计算速度快。基础版本45 FPS，快速版本150 FPS；

② YOLO会考虑到整个图片的信息，因此比Fast RCNN少一半的背景错误，也就是假正例少；

③ 泛化能力好。

2、缺点

① 对框的定位误差较大，准确率低；

② 对小目标检测不行；

③ 每个cell只能预测一种类别的物体。

---

五、总结

YOLO V1的面世，为目标检测提供了一条快速的通道，但V1终觉还是存在一些问题，因此，本文针对整个YOLO V1算法的三点局限性（上面提到的缺点），提出了一些改进方法（仅供参考）：

① 一个cell只包含2个bbox并且只预测一种类别的物体，这样会导致有些小物体没有被预测到。

改进：一个cell用多个框去预测，同时每个框可以预测多种类别。

② 由于整个网络做了多次下采样，所以得到的是粗粒度的特征图，可能会导致精度下降。

改进：可以使用ResNet作为backbone，这样就可以同时得到细粒度和粗粒度的特征图，增强识别的准确率。

③ 由于小框的预测误差导致的IOU误差是大于大框导致的误差，但是YOLO V1算法中在计算小框的Loss和大框的Loss时，使用的是相同的权重，所以导致小物体的预测不准。

改进：细化Loss，将大框和小框的Loss分开计算。

---

我们 YOLO V2 再见！！！