目标检测入门——YOLO系列

总述

two-stage：从图像中提取若干候选框，然后逐一对候选框进行甄别，候选框可能变为预测框。代表作：RCNN、FastRCNN fasterRCNN

候选框称为regions for interest (ROI)，选择候选框的过程称为region proposal 

one-stage:不需要提取候选框，直接把图像喂到模型里面，模型就输出目标检测结果，不需要候选框不需要甄别，代表作：YOLO，SSD，RetinaNet

YOLOv1

相比于fast R-CNN候选框只是图像中的一小部分，丢失了与背景和全景的关系，YOLO使用全图one-stage解决该问题

预测阶段

在YOLOv1中把固定大小的输入图像划分为7*7个grid cell，每个grid cell预测2个bounding box，每个bounding box的中心点落在grid cell里面，bounding box由（x,y,h,w,c）表示，其中c表示置信度即下图中框的粗细程度。而每个grid cell 预测一组条件类别的概率。最后候选框的置信度×类别条件概率就可以得出最终的框以及框中物体类别

具体来说如何获取到置信度和条件概率呢？

答：通过YOLO网络结构可以得到7*7*30 tensor，其中7*7就对应将图片切成7*7的grid cell，而30=（5*2+20），其中5*2 代表每个grid cell生成1个bounding box而每个bounding box又有5个参数

上图可以看出，7*7*30的结构每个grid cell的通道中包含了其2个bounding box的参数和其自身类别。从而可以得到所有候选框及其类别然后再根据置信度过滤和NMS去除多余框

同样的，我们也能发现YOLOv1的缺陷：其划分的每个grid cell只能代表一种类别，那么当遇到小目标（目标大小小于grid cell）的时候效果很差。

训练阶段

预测阶段中最重要的就是7*7*30 tensor，他包含了候选框所有信息，那么他是如何训练得到的？

标注好的图像中真实框中心点落在哪个grid cell中就应该由哪个grid cell预测出的bounding box去拟合（grid cell预测出的有两，选IOU大的去拟合）

若真实框没有中心点落的grid cell，则其预测的bounding box让其置信度c越接近0越好