史上最直观最全面的yolo算法理解

yolo很多文章都是讲的似懂非懂，要么细节确实，要么概念有误。

要想把yolo全面搞清楚之前建议先看以下直观理解。

物体的边缘坐标是否可以被训练？

在vgg模型中我们可以发现，对不同种类的图片进行标记，然后训练，便有了图像检测器。可以识别出图片里是什么。例如猫，狗等。

如果我们的训练不局限于物体是什么类别，而是再加上物体边框的坐标是否可行？如图所示：

让物体四个角度坐标逼近真实值进行训练理论上完全没问题。但是过程可能极其困难和复杂，因为四个点连起来成的线怎么完美的包住物体，这个训练量是极其恐怖的。因为四个点比起他是猫着一个参数就多了8个标签（X1Y1...X4Y4)训练量会大增。另外四个点也不总是形成矩形如图所示：

保证边框是矩形的方法

为了解决这个问题我们不直接训练四个角的坐标，而是训练中点和和的宽度和高度（如果不是矩形而是物体的真实边缘也是可以的，但这里只讨论yolo）。如此就可以保证时边框是一个矩行了。这既保证了形状，还减少了训练点，从9个（8个坐标参数，1个是分类）变为5个参数（中心点x和y2个，和宽高2个一个分类）

检测方法

即便使用了矩形坐标，但训练逼近还是太慢了。因为矩形的初始值可能会跑到图像的外面（左图所示），甚至很远的地方，这样逼近到正确的边框要很久。所以，需要把图像边框限定在图像范围之内，这样递归起来就会快不少。如图所示：

但依然还是不完美，假设目标猫咪在图像中很小，即便时把边框限定在图片中，进行打框也会非常的慢，因为逼近这个猫咪边框真实值要走的路还是太远了。

滑动窗口

设计滑动窗口去检测目标，如果滑动窗口中有目标则开始回归，没有则不用。其实就是限定了边框与检测窗口的位置关系。从而加快训练逼近的过程。

例如：左上角的检测滑动窗口（注意不是目标边框,很多人搞混了），是没有物体的，所以就不必去做回归。

然后滑动窗口到下一个位置。直到把所有图像的内容都遍历一遍。

之所以要把图片分为一个个小图的目的，就是为了把逼近限定正在小图之中。从而加快训练和检测的速度。

这样做需要再训练一个值，猫的中心点在不在检测窗口中，称为置信度。

假设检测窗口框到如图所示的位置。这时候可以发现猫的大部分你内容在在检测窗口之中了，这时候就可以开始进行训练逼近了。

并且要限定中心点必须在检测窗口之中。这样有了支点再去逼近寻来你猫边框的就容易的多，西塔的初始值就不那么随机，离真相也越来越近。（黑色是检测框，红色我们要预测的边框）如图所示：

滑动检测窗口的优化

检测窗口不可能总是刚好框住并检测物体的（要是真能这样哪检测框就是物体边框本身了）

下两个图中猫咪的中点都在检测框中，选哪个好呢，两个其实都可以，但通常而言我们选个拿分哪个概率越高（置信度）就算选哪个。再次强调这里不是给物体打边框，而只是确认使用哪个滑动检测框来进行初始化逼近真实坐标。

先验框

下图中先从黑色的滑动检测框找到物体的中心，然后给出先蓝色验框，然后根据先验框的坐标去逼近真实的边框坐标，这样就比从从黑色的滑动检测框直接逼近真实框要快一些。

yolo的作者利用k均值算法在coco训练集中发现9个尺寸先验框更可能符合万物的形状。

所以有涉及有多个先验框的情况，如左图所示（蓝色是先验框），哪个先验框才是训练需要的呢？可以是使先验框与真实边框的iuo（交并比，用于确认两个框的重叠面积公式为：交集/并集）决定哪个先眼眶才是最佳的。

如图右所示，箭头处的先验框与真实框(红色）的iou更大，所以该先验框是我们需要使用的先验框。

这时候再用该先验框去逼近真是框将极大极大的减少了递归的代数。大幅增加算法的训练的速度。

Yolo v2便是这样的思想。

有些人可能会意识到，按照检测窗口去检测目标，难道不是每次都要执行一次cnn吗速度岂不是更慢？

但是研究发现，cnn中滑动过滤器的过程刚好和我们检测图片滑动窗口的过程一致了，所以大部分计算共享！。如图所示：

yoloV3思想：

假设物体很大，滑动检测窗口很小。那么要检测的内容那个太多，猫咪落在大部分网格上，这样就需要很多检测去识别。所以设计不同的网格大小跟适合检测大小不同的物体，可以更快更准确的检测到猫咪的中点。

检测更小的物体时则可以设计更密集的边框。

所以yolov3采用三个检测窗口的尺寸分别是13*13，26*26，52*52.

至此呢训练阶段就完成了。

需要注意的进行缩放后的图片打框需要偏移量进行还原。

预测阶段优化

预测阶段不外乎去掉标签，走一遍模型即可。

但会遇到如下问题，如果要检测图像中的人体，检测的结果可能是这样的。

因为预测过程中每个检测框的置信度不可能总是0，只要有概率就会打出边框，所以就造成这样很多边框的结果。

为了解决这个问题应该设一个置信度的阈值例如0.5

这样就会去掉置信度较低的边框如图所示。

有人可能会问为什么不直接保留置信度最高的边框呢？

如果只保留置信度最高的边框，左边人物的两个边框就会被去掉，因为他们都小于0.9，所以该办法不能对多目标打边框。

还有的人会说直接对照标签不就行了，但注意这里是预测阶段，没有任何标签。不然训练就无意义了。

正确的做法是。

首先找出最高置信度的边框，例如0.9的边框命名为A边框，然后查找A边框与他重合边框有哪些，这个过程直接计算IOU即可，凡是IOU大于某个阈值时，则说明该边框与A边框重叠过多，他们多半是同一个物体上的不同预测结果，则可以删除，例如图中设置iou为0.5，那么右边人体的边框把0.8与0.7置信度的边框就会去掉。而左侧任务的边框则不会被影响。后接着在寻找剩下的边框重复以上过程。最终找到最符合图像的边框

需要强调的是，此时的iou和训练的提到的iou完全不是一回事。

另外该IOU阈值不能太低，因为现实中确实存在着重叠的物体。

如图所示：

至此直观理解到此结束。

下一篇会会讲解算法模型。

转载请告知