YOLOv1

什么是YOLOv1?

一、网络结构

         看大佬的总结，目前目标检测领域网络结构的总体框基本上都包含了上面三个部分：Backbone、Neck network和detect head.

        Backbone用作特征提取，Neck network用于对Backbone提取到的特征进行整合，Detect head用于对整合后的特征进行预测。

 

下面是YOLOv1d的网络结构（预测过程）

1.Backbone

        Backbone这个骨干网络是用来做特征提取的，但是至于到底提取了什么特征，这个我们是无从知晓的，因为神经网络对于我们来说仍然是一个黑盒子，我们只关注什么样的Backbone可以为我们更好的提取特征信息，下面梳理一下Backboned分类：

（1）大型网络

VGGNet:包括VGG19

ResNet:ResNet50和ResNet101

ResNexT:

ResNet+DCN:

DarkNet:DarkNet19和DarkNet53,这里YOLOv1的骨干网络用的就是DarkNet19。

CspResNet:在减小网络的参数量的同时还能提高网络的性能。

（2）轻量型网络

MobileNet:谷歌的工作

ShuffleNet:旷世的工作 

（3）YOLOv1的Backbone

输入：448*448*3，网络的最后是两个全连接层，由于全连接层要求特征图固定尺寸，所以需要对输入网络的图片做resize;

conv+FC:网络用1*1卷积核和3*3卷积核来做通道下降，在卷积和全连接操作中使用的激活函数是Leaky ReLU做激活函数，在最后一个全连接层使用的是线性激活函数。

输出：网络在最后一层全连接层输出的是1470*1的向量，在通过一个reshape操作，这个1470*1的向量被转换为7*7*30的张量。

这个7*7*30的张量贴个图：

 

对这个7*7*30的进行解释：

7*7网格：图像输入到网络后会被划分为7*7d的网格，同时网络最后输出的7*7*30的张量与它相对应。

30维的张量：每个网格会输出一个30维的向量，这个30维向量包含的信息有预测的2个bouning box的置信度，2个预测框的信息和20个类别的概率。

2个预测框的信息：包含框的中心点的坐标（x,y)和框的宽高（w,h)

2个bounding box的置信度：每个置信度包含两个信息，一个是这个框含有背景的概率，一个是预测框和真实框的iou的值。

20个类别的概率值：每个网格都会预测出20个类别的概率值

2.Neck network

图像经过Backbone提取特征之后，输出的是非常粗糙的特征图，具有相当大的感受野，因此这么这么大的感受野容易造成检测对象的“失焦”，而且对于小物体而言非常不友好。

3.Detect head 

        我一直对这个部分比较好奇，没想到看大佬说的这么简单，至少这个大佬是这么说的，就是对Backbone和Neck输出的特征图进行几个堆叠卷积的操作：

二、训练过程

1.特征提取阶段

        特征提取阶段主要是用的是yolov1的骨干网络，那么具体是怎么提取的呢？

2.

三、预测过程

四、YOLOv1的缺点

1.一个网格只能预测一个类别，当两个物体落在这个网格中时，但是一个网格只能预测一个目标；

2.损失函数设计有问题，这样导致模型的预测的定位误差较大；

3.图片经过64倍下采样后，最后网络输出的特征图会变成非常粗糙的特征图。

参考资料

【目标检测论文阅读】YOLOv1 - 知乎 (zhihu.com)

1.1 YOLO入门教程：YOLOv1(1)-目标检测结构浅析 - 知乎 (zhihu.com)