目标检测笔记-YOLO

YOLO

1.YOLOv1

1）论文的思想

1. 将一副图片分为s*s个网格(grid cell)，如果某个object的中心就落在这个网格中，则该网格就负责预测这个object。
2. 每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。下面是将图片分为7*7的网格，每个网格预测2个bounding box的情况。x，y是目标中心的位置；w，h是一个相对图片的相对值，取值[0,1]。下方的公式为预测类别分数的公式。

2）网络结构

3）损失函数

​ 损失函数分为3个部分：bbox损失，confidence损失以及classes损失。作者主要使用误差平方和计算。

​ 在宽高的处理上没有直接使用误差平方，而是开根后的误差平方，是因为小目标在偏离相同距离的情况下，IOU下降要比大目标快的多，开根后的计算能够满足上述的情况。

​ confidence损失中上半部分为正样本的损失，其中c_hat=1；下半部分为负样本的损失，其中c_hat=0。

4）存在的问题

• 对群体的小目标检测效果很差，因为YOLOv1每个cell只预测两个边界框，并且属于同一类别。
• 目标出现新的尺寸配置时效果很差。
• 主要误差是来自定位不准确。

2.YOLOv2

1）优化尝试

​ 上图为YOLOv2与其他算法的对比，相对于v1版本，有很大的提升，下面是作者用到的一些优化尝试。

• Batch Normalization（批归一化）

​ 尽管梯度下降法训练神经网络很简单高效，但是需要人为地去选择参数，比如学习率，参数初始化，权重衰减系数，Dropout比例等，而且这些参数的选择对于训练结果至关重要，以至于我们很多时间都浪费到这些调参上。BN算法的强大之处在下面几个方面：

1. 可以选择较大的学习率，使得训练速度增长很快，具有快速收敛性。
2. 可以不去理会Dropout，L2正则项参数的选择，如果选择使用BN，甚至可以去掉这两项。
3. 去掉局部响应归一化层。（AlexNet中使用的方法，BN层出来之后这个就不再用了）
4. 可以把训练数据打乱，防止每批训练的时候，某一个样本被经常挑选到。

• High Resolution classifier（高分辨率预训练）

​ 在Yolov1中，网络的backbone部分会在ImageNet数据集上进行预训练，训练时网络输入图像的分辨率为224*224。在v2中，将分类网络在输入图片分辨率为448*448的ImageNet数据集上训练10个epoch，再使用检测数据集（例如coco）进行微调。高分辨率预训练使mAP提高了大约4%。

• Convolutional With Anchor Boxes

​ 在Yolov1中，每个格点预测两个矩形框，在计算loss时，只让与ground truth最接近的框产生loss数值，而另一个框不做修正。这样规定之后，作者发现两个框在物体的大小、长宽比、类别上逐渐有了分工。**在v2中，神经网络不对预测矩形框的宽高的绝对值进行预测，而是预测与Anchor框的偏差（offset），每个格点指定n个Anchor框。**在训练时，最接近ground truth的框产生loss，其余框不产生loss。在引入Anchor Box操作后，mAP由69.5下降至69.2，原因在于，每个格点预测的物体变多之后，召回率大幅上升，准确率有所下降，总体mAP略有下降。

• Dimension Clusters（Anchor Box的宽高由聚类产生）

​ Faster R-CNN中的九个Anchor Box的宽高是事先设定好的比例大小，一共设定三个面积大小的矩形框，每个矩形框有三个宽高比：1:1，2:1，1:2，总共九个框。而在v2中，Anchor Box的宽高不经过人为获得，而是将训练数据集中的矩形框全部拿出来，用k-means聚类得到先验框的宽和高。例如使用5个Anchor Box，那么k-means聚类的类别中心个数设置为5。加入了聚类操作之后，引入Anchor Box之后，mAP上升。

​ 需要强调的是，聚类必须要定义聚类点（矩形框 $(\omega ,h)$)之间的距离函数，使用（1-IOU）数值作为两个矩形框的的距离函数，文中使用如下函数：

• Direct location prediction（绝对位置预测）

​ Yolo在模型训练过程中会出现不稳定的情况，其主要原因是由于预测中心位置不准确，通过借鉴Faster R-CNN中的预测框的$x，y$​位置预测方法：$x=(t_x\ast {\omega }_a)+x_a;y=(t_y\ast h_a)+y_a$​​​​直接使用的话会使坐标可能不在该预测区域内​。

​ Yolov2中使用以下公式进行中心位置的调整，将最终结果限制在预测区域内，公式中的$t_x,t_y$为预测的anchor的偏移量，使用sigmoid函数进行约束。

• Fine-Grained Features（细粒度特征）

​ 在26*26的特征图，经过卷积层等，变为13*13的特征图后，作者认为损失了很多细粒度的特征，导致小尺寸物体的识别效果不佳，所以在此加入了passthrough层。passthrough层就是将26*26*1的特征图，变成13*13*4的特征图，在这一次操作中不损失细粒度特征。下面是4*4*1的特征图变为2*2*4的特征图的例子。

• Multi-Scale Training（多尺寸训练）

​ Yolo v2中只有卷积层与池化层，所以对于网络的输入大小，并没有限制，整个网络的降采样倍数为32，只要输入的特征图尺寸为32的倍数即可，如果网络中有全连接层，就不是这样了。所以Yolo v2可以使用不同尺寸的输入图片训练。

​ · 作者使用的训练方法是，在每10个batch之后，就将图片resize成{320, 352, …, 608}中的一种。不同的输入，最后产生的格点数不同，比如，输入图片是320*320，那么输出格点是10*10，如果每个格点的先验框个数设置为5，那么总共输出500个预测结果；如果输入图片大小是608*608，输出格点就是19*19，共1805个预测结果。

​ 在引入了多尺寸训练方法后，迫使卷积核学习不同比例大小尺寸的特征。当输入设置为544*544甚至更大，Yolo v2的mAP已经超过了其他的物体检测算法。

2）网络结构

3.YOLOv3

1）优化改进

​ 相对于YOLOv2，v3版本的改动在于主干网络用Darknet53替换了Darknet19，其中的最大池化层全部使用卷积层代替并引入了残差结构，具体部分如下。

1. Yolov3中，只有卷积层，通过调节卷积步长控制输出特征图的尺寸。所以对于输入图片尺寸没有特别限制。流程图中，输入图片以256*256作为样例。
2. Yolov3借鉴了金字塔特征图思想，小尺寸特征图用于检测大尺寸物体，而大尺寸特征图检测小尺寸物体。特征图的输出维度为$N\ast N\ast [3\ast (4+1+80)]$ ，$N\ast N$为输出特征图格点数，一共3个Anchor框，每个框有4维预测框数值$t_x,t_y,t_{\omega },t_h$，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为 $8\ast 8\ast 255$。
3. Yolov3总共输出3个特征图，第一个特征图下采样32倍，第二个特征图下采样16倍，第三个下采样8倍。输入图像经过Darknet-53（无全连接层），再经过Yoloblock生成的特征图被当作两用，第一用为经过3*3卷积层、1*1卷积之后生成特征图一，第二用为经过1*1卷积层加上采样层，与Darnet-53网络的中间层输出结果进行拼接，产生特征图二。同样的循环之后产生特征图三。
4. concat操作与加和操作的区别：加和操作来源于ResNet思想，将输入的特征图，与输出特征图对应维度进行相加，即 $y=f(x)+x$​​；而concat操作源于DenseNet网络的设计思路，将特征图按照通道维度直接进行拼接，例如8*8*16的特征图与8*8*16的特征图拼接后生成8*8*32的特征图。
5. 上采样层(upsample)：作用是将小尺寸特征图通过插值等方法，生成大尺寸图像。例如使用最近邻插值算法，将8*8的图像变换为16*16。上采样层不改变特征图的通道数。

​ Yolo的整个网络，吸取了Resnet、Densenet、FPN的精髓，可以说是融合了目标检测当前业界最有效的全部技巧。

2）损失函数

​ 损失主要分为三部分，置信度损失，分类损失和定位损失。

• 置信度损失

​ 使用的计算公式为二值交叉熵损失计算公式，其中**$o_i$​​表示目标边界框与真实目标边界框的IOU（论文中写置信度非0即1，在SPP版本中为IOU值），$c$​​为预测值，$c_{i}hat$​​为$c$​​通过sigmoid函数得到的预测置信度，$N$​​为正负样本个数**。

• 分类损失

• 定位损失

​ 其中l为预测的边界框参数，g为真实的边界框参数，$g^x$​​,$g^y$​​,$g^{\omega }$​​,$g^h$​​为真实框的中心坐标位置及大小参数，$c^x$​​,$c^y$​​为该预测区域的左上角坐标，$p^{\omega }$​​,$p^h$​​​​​为先验框的大小参数。

3）正负样本选取

​ 预测框一共分为三种情况：正例（positive）、负例（negative）、忽略样例（ignore）。

• 正例：任取一个ground truth，与4032个框全部计算IOU，IOU最大的预测框，即为正例。并且一个预测框，只能分配给一个ground truth。例如第一个ground truth已经匹配了一个正例检测框，那么下一个ground truth，就在余下的4031个检测框中，寻找IOU最大的检测框作为正例。ground truth的先后顺序可忽略。正例产生置信度loss、检测框loss、类别loss。预测框为对应的ground truth box标签（使用真实的$x,y,w,h$​​计算出$t_x,t_y,t_{\omega },t_h$​​​​​​）；类别标签对应类别为1，其余为0；置信度标签为1。

• 忽略样例：正例除外，与任意一个ground truth的IOU大于阈值（论文中使用0.5），则为忽略样例。忽略样例不产生任何loss。

• **负例：**正例除外（与ground truth计算后IOU最大的检测框，但是IOU小于阈值，仍为正例），与全部ground truth的IOU都小于阈值（0.5），则为负例。负例只有置信度产生loss，置信度标签为0。

4）v3 加强版

​ 在上面的表格可以看出SSP-U版的准确度有大幅度的上升，其中在v3

基础上的改进有以下几个方面：Mosaic图像增强，SPP模块，CIOU Loss，Focal loss。

• Mosaic图像增强

将多张图片拼接在一起，源码中默认使用四张拼接，增加了样本的多样性，增加了检测目标个数，使用BN层时使得能够更贴近数据集的均值和方差。

• SPP模块

​ 实现了不同尺度的特征融合，在后面的网络结构中只有第一个预测特征层接了SPP结构，剩余两个也可以接，会有所提升，但没有必要。

• CIOU Loss

1. IOU：$\frac{两个框的交集}{两个框的并集},[0,1]$​​，故不相交时值都为0
2. GIOU：$IOU-(\frac{A^c-u}{A^c}),[-1,1]$​​​​​,其中$A^c$​​​为能框住两个框最小框的面积，$u$​​​​​为两个框的并集的面积，这样就能判断在不相交时的损失。
3. DIOU：GIOU收敛速度慢，当两框重合时不能继续判断。DIOU解决了这一问题，对比如下图：

下面是计算公式，因为能够直接计算两个边界框的距离，故能更快的收敛。

4. CIOU：作者在文章中指出，一个优秀的回归定位损失应该包含三种几何参数：重叠面积，中心点距离，长宽比，据此提出CIOU计算公式：（其中IOU可更换为GIOU）

对于以上几种方式定义损失函数为1-损失的形式，对比效果如下，可以看出CIOU的提升相对于IOU很大。

• Focal loss

​ 能够更好的区分难以分解的样本，但在使用过程中对噪声的抗干扰能力较差，故训练集必须标注的准确才能有好的效果。

5）最终网络结构

来自：bilibili.霹雳吧啦Wz