5分钟深入了解YOLOV1算法

前言

由于本文章介绍的YOLOV1过于简略，建议先对YOLOV1有一个基本的了解再来看，相信会有新的收获。

YOLOV1网络结构

一个并不怎么难的CNN网络，通过1×1卷积来减少参数量，最后通过两个全连接层输出一个7×7×30的张量。

除最后一层是线性激活，其他层的激活函数选择的是用带泄漏的ReLU。

YOLO预测全过程

输入一张图片，裁剪成448×448的大小，通过CNN网络，输出一个7×7×30的张量。

张量的含义：

我们将图片划分为S×S的网格，每个网格生成B个预测框，预测C个类别概率。

• 注意，虽然一个网格生成了B个预测框，但每个网格最多只能预测一个物体，因此并不需要B×C个类别概率，只需要C个类别概率即可。

一个预测框需要一个中心点(x,y)和长宽(w,h)来表示所处的位置和大小，最后需要一个置信度C来表示这个预测框正确的概率。所以每个预测框需要(x,y,w,h,C)5个参数。

一个网格B个预测框，加上C个类别的概率就是(5×B+C)个参数，共S×S个网格，则输出结果要是一个S×S×(5×B+C)大小的张量。

论文中取S=7，B=2，C=20，即输出7×7×30的张量，共预测了7×7×2=98个框。

但这98个框不可能全部使用，有些预测框内没有物体，有些预测框重复了，我们需要使用 置信度阈值 和 NMS(非极大抑制) 来进行框的筛选。

对输出的7×7×30的张量，进行如下处理：

1. 将每个框的置信度(共7×7×2个框)和每个网格的类别概率相乘(同一个网格的框共用相同的类别概率)，得到98个长度20的张量(可以看做98×20的矩阵)，这些张量代表每个框预测不同类别的置信度。
2. 从第一个类别开始，将低于置信度阈值的类别置信度全部置零，剩下的从大到小排列。此时预测该类别的框已经按置信度从大到小排好了。
3. 从前往后进行非极大值抑制，即两两比较，若IOU高于阈值，将后面预测这个类别概率的框置零。
4. 对所有类别都做一次NMS，最后得到一个稀疏矩阵。
5. 根据稀疏矩阵中不为0的值寻找对应的框，即为最后的结果。

建议自己画矩阵重新推一遍，相信能更深入的理解。

YOLO训练

YOLO损失函数

损失函数只关心三种情况：

1. 网格中包含预测物体
2. 预测框中包含预测物体
3. 预测框中不包含预测物体

我们知道一个网格有B个预测框，为什么有的关心网格，有的关心预测框呢？因为概率，我们知道每个网格虽然有多个框，但只有一组概率。

所以：当网格中包含物体时，网格预测的概率应该接近真实物体，这是第五项损失函数干的事情。

由于每个框都预测(x,y,w,h,C)，所以置信度和框的定位大小通过框来区分。

所以：

1. 当框负责预测该物体时，框的定位和大小应该和训练集中标注的框位置大小接近，框的置信度应该和该框和训练集中标注框的IOU相等。这是第一、二、三项损失函数干的事情。
2. 当框不负责预测该物体时，框的定位和大小我们就不需要关心了，只需要保证框的置信度接近0即可，这是第四项损失函数干的事情。

训练过程

刚开始随机初始化参数，生成一个随机的7×7×30的张量，这个张量隐含了98个框以及置信度和条件概率。

通过损失函数来训练这个网络，使生成的张量具有以下特性：

1. 若网格包含预测物体，那么网格预测的条件概率越准越好(对应物体类别的概率接近1，其他物体类别概率接近0)。
2. 若网格不包含预测物体，那么条件概率随意。
3. 能够预测物体的框，置信度越接近1越好，定位和大小与训练集中标注的越接近越好。
4. 不预测物体的框，置信度越接近0越好，定位和大小随意。

至此训练完成。