深度学习笔记（40） YOLO

---

1. YOLO对象检测算法

之前已经学到对象检测算法的大部分组件：

博文	组件	作用
深度学习笔记（32） 目标定位	目标定位	标记目标位置
深度学习笔记（33） 特征点检测	特征点检测	设定特征点
深度学习笔记（34） 目标检测	滑动窗口目标检测	在图片中检测到目标
深度学习笔记（35） 滑动窗口的卷积实现	卷积实现	减少计算成本
深度学习笔记（36） 边界框预测	YOLO	分配给包含对象中点的格子输出最精准的边界框
深度学习笔记（37） 交并比	交并比IoU	评价对象检测算法
深度学习笔记（38） 非极大值抑制	非极大值抑制	确保算法对每个对象只检测一次
深度学习笔记（39） Anchor Boxes	Anchor Boxes	确保算法一个格子能检测多个对象

现在把所有组件组装在一起构成和优化之前提及到的 YOLO对象检测算法

---

2. 构造训练集

先看看如何构造训练集

假设要训练一个算法去检测三种对象，行人、汽车和摩托车
还需要显式指定完整的背景类别

这里有3个类别标签，如果要用两个anchor box
那么输出 y 就是3×3×2×8
其中3×3表示3×3个网格，2是anchor box的数量，8是向量维度
8实际上先是5（p_c,b_x,b_y,b_h,b_w）再加上类别的数量3（c₁,c₂,c₃）
可以将它看成是3×3×2×8，或者3×3×16
要构造训练集，需要遍历9个格子，然后构成对应的目标向量y

anchor box 1（编号4），anchor box 2（编号5）如图所示

先看看第一个格子（编号1）
里面没什么有价值的东西，行人、车子和摩托车，三个类别都没有出现
所以对应那个格子目标y=[0 ? ? ? ? ? ? ? 0 ? ? ? ? ? ? ?]^T
第一个anchor box的 p_c 是0，因为没什么和第一个anchor box有关的
第二个anchor box的 p_c 也是0，剩下这些值是don’t care-s

现在网格中大多数格子都是空的
但那里的格子（编号2）会有这个目标向量y，y=[0 ? ? ? ? ? ? ? 1 b_x b_y b_h b_w 0 1 0]^T
所以假设训练集中，对于车子有这样一个边界框（编号3），水平方向更长一点

然后红框和anchor box 2的交并比更高
那么车子就和向量的下半部分相关

要注意，这里和anchor box 1有关的 p_c 是0，剩下这些分量都是don’t care-s
然后第二个 p_c=1，然后要用这些（b_x,b_y,b_h,b_w）来指定红边界框的位置
然后指定它的正确类别是2(c₁=0,c₂=1,c₃=0)，这是一辆汽车

所以这样遍历9个格子，遍历3×3网格的所有位置，会得到这样一个向量，得到一个16维向量
所以最终输出尺寸就是3×3×16
和之前一样，简单起见，在这里用的是3×3网格，实践中用的可能是19×19×16
或者需要用到更多的anchor box，可能是19×19×5×8，即19×19×40，用了5个anchor box
这就是训练集，然后训练一个卷积网络，输入是图片，可能是100×100×3
然后卷积网络最后输出尺寸，例子中是3×3×16或者3×3×2×8

---

3. 预测

接下来算法是怎样做出预测的

输入图像，神经网络的输出尺寸是这个3××3×2×8，对于9个格子，每个都有对应的向量
对于左上的格子（编号1），那里没有任何对象
那么希望神经网络在那里（第一个p_c）输出的是0，这里（第二个p_c）是0
然后输出一些值，神经网络不能输出问号，不能输出don’t care-s，剩下的输入一些数字
但这些数字基本上会被忽略，因为神经网络告诉你，那里没有任何东西
所以输出是不是对应一个类别的边界框无关紧要
所以基本上是一组数字，多多少少都是噪音（输出 y 如编号3所示）。

和这里的边界框不大一样，希望y的值
那个左下格子（编号2）的输出y（编号4所示），形式是
对于边界框1来说（p_c）是0，然后就是一组数字
就是噪音，anchor box 1对应行人
此格子中无行人，p_c=0,b_x=?,b_y=?,b_h=?,b_w=?,c₁=?c₂=?,c₃=?

希望算法能输出一些数字
可以对车子指定一个相当准确的边界框，anchor box 2对应汽车
此格子中有车，p_c=1,b_x,b_y,b_h,b_w,c₁=0,c₂=1,c₃=0
这就是神经网络做出预测的过程

---

3. 非极大值抑制

最后要运行一下非极大值抑制
看看一张新的测试图像
这就是运行非极大值抑制的过程

如果使用两个anchor box
那么对于9个格子中任何一个都会有两个预测的边界框，其中一个的概率p_c很低
但9个格子中，每个都有两个预测的边界框

比如说得到的边界框如图，注意有一些边界框可以超出所在格子的高度和宽度（编号1所示）
接下来抛弃概率很低的预测，去掉这些连神经网络都说，这里很可能什么都没有
所以需要抛弃这些（编号2所示）

最后，如果有三个对象检测类别，希望检测行人，汽车和摩托车
那么要做的是，对于每个类别单独运行非极大值抑制，处理预测结果所属类别的边界框
用非极大值抑制来处理行人类别，用非极大值抑制处理车子类别，然后对摩托车类别进行非极大值抑制
运行三次来得到最终的预测结果
所以算法的输出最好能够检测出图像里所有的车子，还有所有的行人（编号3所示）

这就是YOLO对象检测算法，这实际上是最有效的对象检测算法之一
包含了整个计算机视觉对象检测领域文献中很多最精妙的思路

---

参考：

《神经网络和深度学习》视频课程

---

相关推荐：

深度学习笔记（39） Anchor Boxes
深度学习笔记（38） 非极大值抑制
深度学习笔记（37） 交并比
深度学习笔记（36） 边界框预测
深度学习笔记（35） 滑动窗口的卷积实现

---

谢谢！