YOLOV1学习总结

#You Only Look Once#

一.前言

这一篇我们将进入YOLOV1的学习。

传统的一些目标检测系统大多采用重用分类器来执行检测，计算量大，检测时间长。

• DPM（Deformable Parts Model）采用传统的SVM分类器，通过人工制造模板，使用滑动窗口方法暴力搜索整个待识别框
• R-CNN通过region proposal（待选区域）产生大量的可能包含待检测物体的bounding box（边界框），再使用分类器去判断这些bounding box中是否存在物体以及物体的所属类别probability和confidence，最后再回归预测

本篇介绍的YOLOV1是目前比较流行的目标检测算法，速度快、结构简单

二.YOLOV1的特点

与传统的目标检测算法不同：

1. YOLO将目标检测看作是一个单一的回归问题，使用单个神经网络，直接从图像像素得到边界框、类别概率、置信度，是一个端到端的目标检测模型，它可以分别出哪些对象是存在的，它们在哪里。

2. YOLO在整个图像上训练，并能直接优化检测性能。

问题：什么是端到端？

端到端：指的是输入的是原始数据，输出的是最后的结果。

这样做缩减了人工预处理和后续处理，增加模型整体的契合度

优点：

1. YOLO的速度非常快
2. YOLO在整个图像上进行推断，背景误检测率低

YOLO在训练和测试的时候都会顾及整个图像，隐式地包含了类的上下文信息，与Fast R-CNN相比，YOLO将背景误检测的数量少了一半

3.YOLO具有泛化表征的能力

缺点：

1. YOLO无法很好地检测小物体

原因：

①YOLO对其边界框施加了很强的空间约束

的每个网格单元只能预测两个框，且只能包含一个类，限制了我们预测邻近的小目标的数量。

②YOLO很难泛化新的不常见的长宽比的目标

论文中这样说：

1）YOLOV1将图片分成S×S的网格（论文中是7×7的网格），网络到后面的感受野较大，小目标的特这边给无法在后面的7×7grid中体现

2）网格只有7×7，当两个物体靠的很近（它们的中心点都落入同一个cell中），YOLO只能预测出其中的一个，因此丢失了很多目标

3）每个网格只有两个bounding box，当待识别的物体长宽比不常见时效果就很差

不过，YOLOV2会在这个基础上加入anchor，提高了对于小目标检测的鲁棒性。

三.YOLOV1的检测方法

3.1 图像特征的组成

YOLO将输入的图像划分成S×S的网格，当物体的中心点落入其中的一个网格中，这个网格就负责预测该物体，一个网格只能预测一个物体且只能预测一个类别（缺点），会生成两个预测框。

S×S个网格，每个网格需要预测B个bounding box和C个类

对于每个网格：

1）预测B个预测框（生成框的中心点必须在网格中）

2）每个预测框包含5个元素（x，y，w，h，c）

x、y：bounding box预测框的中心坐标相对于该box归属的网格左上角的偏移量（0-1之间）

在上图中，绿色虚线框代表grid cell，绿点表示该grid cell的左上角坐标，为（0，0）；红色和蓝色框代表该grid cell包含的两个bounding box，红点和蓝点表示这两个bounding box的中心坐标。有一点很重要，bounding box的中心坐标一定在该grid cell内部，因此，红点和蓝点的坐标可以归一化在0-1之间。在上图中，红点的坐标为（0.5，0.5），即x=y=0.5，蓝点的坐标为（0.9，0.9），即x=y=0.9。

w、h：是指该bounding box的宽和高，但也归一化到了0-1之间，表示相较于原始图像的宽和高（即448个像素）。比如该bounding box预测的框宽是44.8个像素，高也是44.8个像素，则w=0.1，h=0.1。

红框的x=0.8，y=0.5，w=0.1，h=0.2。

3.2 网络设计

YOLO的网络结构参考GoogleNet（如何参考？待写）

输入图像尺寸为448×448，共经过24个卷积层，2个全连接层，最后reshape输出图像大小为7×7×30(30 = B * 5 + C) ，此时B = 2，C = 10

• CNN网络预测生成7×7×1024的张量
• 两个全连接层执行全连接回归，进行7×7×2边界框预测
• 各层使用Leaky ReLU，最后一层使用线性激活函数
  
• 训练时采用Dropout和数据增强避免过拟合

• 定义置信度(预测框与真实标签框之间的联合部分的交集IOU)
  confidence = Pr(Object) * IOU_pred truth
  若单元网格中存在目标则Pr(Object) = 1，反之为0--->confidencr = 0
• 预测C类的条件概率
  Pr(Classi | Object) (前提：网格单元包含目标)
• 每个框的特定类别的置信度分数
  Pr(Classi | Object) * Pr(Object) * IOU_pred truth = Pr(Classi) * IOU_pred truth

注意：这些分数既是对该类出现在框里的概率的编码，也是对预测的框与目标匹配程度的编码

3.3 损失函数

共分为3类损失：坐标损失(localization)、置信度损失(confidence)、分类损失(classification)

1）置信度和分类预测损失不多说：

置信度损失 = 对于obj负责的box（1）来预测损失（第一行）+ 不对obj负责的box（1）预测损失（第二行）

简而言之：

• 第一行： 负责检测物体的那个框的置信度误差。
• 第二行： 不负责检测物体的那个框的置信度误差。

分类损失 = 对obj负责的框预测损失

2）这里最需要注意的就是坐标损失

正常情况下：我们总秉持着一视同仁的原则，但这会给YOLO的坐标损失带来很大的误差

可现实情况不允许，存在着大小框。

如果大框的损失大一点，不会带来什么问题，bounding box肯定也还会在物体周围，

但是如果小框的损失一大，那么bounding box会带来巨大的偏差

采用了开根号处理，让小框损失权重更大，惩罚机制就会对小框损失的惩罚加重。

参考文章：https://blog.csdn.net/weixin_43334693/article/details/129011644