yolov1的阅读笔记

一，目标检测简介

二，yolov1网络的输出结果分析

我们首先来看一下yolov1的网络图，如下图所示。

在yolov1的网络当中，输入的图片的大小为448x448x3，这个在图中也可以很明显的看出来。重点是，输出的7x7x30的输出结果包含哪些信息。首先我们先看一下下面这张图片：

在图片当中，可以看到，图像被分为7x7的网格，与上面提到的网络输出7x7x30相对应，可以看出每一个网格都包含30个输出参数。接下来我们来讲解一下，这三十个输出参数都代表什么信息。看接下来这张图片：

在yolov1当中每一个网格都会有两个预测框，每个预测框的位置需要四个参数确定（x，y，w，h），其中x，y是预测框左上角的坐标，w，h为框的宽和高。同时，每个预测框都有一个置信度参数，也就是该预测框内含有目标物体的概率。这样，每个预测框就包含了五个参数，一共是10个参数。在yolov1训练的数据集当中，一共有20个物体类别，每个物体类别有一个概率参数，所以一共是20个参数，这个参数是两个预测框共用的。

所以（2 x 5 + 20）= 30个参数，一共有7x7个网格，所以总结一下就是7x7x30个参数，也就是网络的输出结果。

三，yolov1的预测过程

通过在上一节分析的结果，也就是每个网格有两个预测框，整幅图像就包含7x7x2=98个预测框，显示在图像中就如下图所示：

图像当中一共有98个预测框（想数一下的小伙伴，可以试一下)，下一步的任务就是如何从98个预测框中，提取出实际包含物体的预测框。这里就使用到了非最大值抑制（nonMaximumSuppression），这里简单讲解一下非极大值抑制（需要深入了解的可以查看一下其他教程）。

在非极大值抑制过程中，第一步就是要将98个预测框按照他们的置信度进行由大到小的排序，假设图中的四个检测框置信度分别0.8，0.7，0.4和0.36。
首先计算将排名第一的检测框与第二名进行交并比计算，交并比公式如下：
随后人为设置一个阈值，只要交并比大于所设阈值，就认为这两个检测框检测的是同一个物体，就删除置信度比较小的检测框。此时就将98个检测框减少为97个检测框。同理继续进行下去，将第一名与第三名进行交并比计算、第一名与第四名进行交并比计算…直到与所有检测框完成对比。

注意，此时还没有结束，以第一名为对象完成一次循环后，将继续将置信度第二名的检测框与比他置信度小的检测框进行对比，若第二名已经被删除，就顺延到置信度第三名，知道遍历完所有的检测框。这时候就可以将上面含有密密麻麻检测框的图片变成下图所示：

四，yolov1的训练过程

讲完推理的过程，现在来讲一下训练的过程，在模型结构上最前面贴出的模型结构图很简单，大家应该都能够看懂，这一节讲的重点是损失函数的设计。首先先把损失函数给大家：

主要可分为五个部分：
（1）负责目标检测的框的中心点定位误差。
（2）负责目标检测的框宽高定位误差。
（3）负责目标检测的框置信度误差。
（4）不负责目标检测的框置信度误差。
（5） 负责目标检测的框分类误差。
接下来我们一一讲解

4.1 中心点定位误差

如下图红框标注所示，这一部分就是负责目标检测的框的中心点定位误差，就是中心点的像素距离，需要注意的只有公式中的两个未知数，图中已经给出了解释，就不再重复（其实是我不会用LaTex数学公式，后面有机会补上，也可以在评论里时不时踢我一下）。

4.2 宽高定位误差

下图中就是宽高误差部分，这一部分很好理解，就是预测框宽高与ground truth的宽高取个差值再各自平方加在一起。这里需要注意的是宽高都取了开平方，这里是为了缓解yolov1的一个缺陷，就是对小目标的物体不敏感。例如一个小目标的预测框和ground truth宽高大小差个好几倍的关系，但是由于小目标本身就比较小，导致求差值的结果也很小，不利于模型的收敛。

4.3 置信度误差

这里我们将第三行和第四行放在一起看，蓝框标出来的那一部分很容易理解，如果预测框中心落在了实际物体的中心，则希望他的置信度越靠近1越好，反正越靠近0越好。需要注意的是，第四行的公式，前面多了一个参数，这个是在模型的训练开始时，使用者可以自由调节的一个参数，表示你对非准确预测框的重视程度。

4.4 分类误差

分类误差就也很容易理解了，就是将前面给出的20个物体的预测概率分别与实际物体的类别做差值取平方，最后再累加。

五、结论

到这里基本上就结束了，yolov1作为该系列的开山之作，开创了单阶段检测的先河，但是因为是先驱，算法仍然有许多需要缺陷，例如检测精度不是特别高，对小目标物体检测不敏感等等。