带你玩转yolo经典网络结构、经典卷积神经特征提取网络、训练过程及各个改进模块

Yolo经典网络结构

一、网络结构

1、开山之作yolov1

该模型主要有三块，输入、简单的卷积网络模型（卷积、池化、平铺、全连接层、操作）、输出 

2、他山之石yolov2

3、yolov5

4、yolov8

二、经典卷积神经特征提取网络

不同的特征提取网络结构有不同程度的提取能力，目标检测算法应用不同的主干特征提取网络，其检测效果也存在着差异，以下几种经典的特征提取网络。

1、AlexNet 网络

2、VGGNet 网络

3、ResNet 网络

4、Darknet53 网络

额外补充：不同特征提取的方法

路径聚合网络：

FPN、FAN

FPN 本质是将高层丰富的语义信息传递到低层，使低层包含的信息更加丰富。虽然增强了低层的语义信息，但是信息传输仍旧是单向的。

PAN （Path Aggregation Network）在 FPN 结构的基础上增加了下采样过程为了使高层也获得低层的丰富细节。

三、训练过程

首先输入448*448的三通道图像，模型会将图片切成7*7个小网格，每个小网格会有两个候选框用于找到物体并预测物体概率，经过NMS筛选和IOU判断后，输出几个框在原图上。如下图所示。

四、改进模块

主要错误类型：

我们可以通过训练的结果：map指标来分析出多目标检测的错误分布，对症下药做出改进。本文将训练后的数据样本分为以下几种错误。

（1）分类错误：本来是猫被预测为狗了。

（2）定位错误：分类正确，但是预测框与训练数据样本的真实框差距有点大。

（3）分类和定位都错误：把猫当成狗而且预测框与真实框相差有点远。

（4）重复检测：分类正确但一个目标有两个框、两个置信度。

（5）背景错误：把背景也预测了一个框

（6）漏检问题：没有检测该目标。

下面对FP/FN/TP/TN做出解释与错误类型。

FP错误：目标可以是1-6种错误类型。

FN错误：大概率是漏检啦。

3.1损失函数组成及作用

位置损失+置信度损失+分类损失。通过损失函数才能反向传播去更新模型里面的参数。

公式：