Yolo系列之YOLOv1 & YOLOv2

一、YOLOv1

1. YOLOv1概述

YOLOv1是单阶段目标检测方法，不需要像Faster RCNN这种两阶段目标检测方法一样，需要生成先验框。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测。虽然Faster-RCNN在当时是mAP最高的算法（2015-2016年）， 然而速度却很慢，相对而言，Yolo算法的性价比是很高的，大家也都对Yolo未来的发展抱有无限期待，下图是各种目标检测算法的效果对比：👇

可见，Yolo的FPS计算速度非常快，值得当时人们的期待~ 接下来看看Yolov1的思想。

2. YOLOv1核心思想

以论文原文为例，经过卷积图像缩小为7*7的shape，即49个像素点，我们以每个像素点为中心，分别进行49次预测。以上图👆中的红色点为例，以这个像素点为中心，产生B个候选框（原文只使用2个候选框，B = 2）,然后将这两个候选框分别与真实的框做IoU，选取IoU更大的候选框根据Loss Function进行微调，得到最终结果。同理，49个像素点都要分别被当成中心产生候选框，择优后微调。

此外，以往的目标检测任务给出的结果通常为四元组，（X, Y, W, H）表示坐标以及长宽，这个四元组固定了框的位置（注：X, Y通常为小数，表示位置相对于整个图的百分比）。YOLOv1还使用了Confidence置信度，每个框是五元组的形式，即（X, Y, W, H，C），因为图像分为背景和前景，物体属于前景，我们希望对于属于背景的像素点，预测的Confidence为0，而物体（前景）的Confidence更接近1。

3. YOLOv1网络架构

（1） 核心架构

如上图所示，输入图像的尺寸规定为4484483，经过一定数量的卷积操作后（这里没啥创新，也不咋地，之后版本会改，就不说啦~），再经过FC全连接层，得到的1470的维度的向量，将其reshape成 7 * 7 * 30的shape，下面解读一下7 * 7 * 30的含义。

在开始我们就暗示了原文的图像最后缩小成了7 * 7的大小，下面来解释一下30的含义，原文中 B= 2,即对于每个像素点，以其为中心会产生2个候选框，每个候选框是一个五元组（X, Y, W, H, C），两个候选框就是2个五元组，共10个元素，B1：（X1, Y1, W1, H1, C1）， B2：（X2, Y2, W2, H2, C2），然后这个数据集是20分类的，因此就自然还需要20个元素的位置，5+5+20 = 30。

总结：7 * 7 * 30 就是 （S * S）*（B * 5 + 10） ，可以自行更改网络架构

现在我们得到了7 * 7 * 30的初步判定结果，接下来需要按照Loss Function进行选择与微调，损失函数的构造如下图所示：👇
Loss Function由（1）位置误差【x,y是坐标位置，直接作误差，w,h加了根号再做误差，因为考虑到：一个很大的物体，锚框偏移一点点，并没有影响，但是一个很小的物体，很小的锚框偏移相同的单位，可能影响就很大了】（y = √x 在x较大时，y的变化对x的变化不敏感）（有待改进）；（2）含有object的前景的置信度误差【置信度越接近IoU越好】；（3）不含object的背景的置信度误差【加了参数λ，因为一张图片背景占大多部分，如果不加参数λ，则损失就都取决于背景了，效果不好】；（4）分类误差（就是刚才那20个元素的分类结果）。

（2）其他细节【NMS】

NMS即非极大值抑制，在模型测试时，可能有多个像素点为中心的锚框都分类为某一类别，如上图所示👆，其实需要进一步择优，只保留一个，实现方法是：IoU大于一定阈值的先留下，然后再选择置信度最大的那个框作为该类的预测框。

4. YOLOv1特点

（1）优点：

1.速度快，达到了完全实时的效率，输入448x448x3
2.端到端地训练网络（图片划分为7x7 grid），最多预测49个目标
3.迁移泛化好（迁移到艺术作品效果也好）
4.Background误差小,直接选用整图训练,能获取全局信息

（2）缺点：

1.YOLOv1在精确度上落后于当前最好的检测系统，主要来源于定位不够精确（Map低）
2.小物体检测效果差
3.定位误差高，而且无法解决重叠的问题（因为我们是以某像素为中心点进行画框，当图中两个物体的中心点本来就很接近甚至两个物体重叠时，就几乎很难检测出来了）