目标检测系列：yolov1解析

接触目标检测一段时间，回过头来总结一下看过的论文。

深度学习听起来很高大上，其实就只有两种问题， 1. 分类问题， 2.回归问题，目标检测可以说是两种问题的结合。学过深度学习的人上手的第一个代码应该就是手写数字的分类，也就是对图像的分类问题，目标检测第一个任务也就是分类。
看下面这张图，yolov1就是在图像上画大量的默认框，这些框足以圈住所有的物体，如图中，加粗的边框包住了狗，汽车和自行车。我们对所有给出的默认框当成一幅独立的图片，那么这就变成一个和手写数字分类一样的图像分类问题，对所有的默认框进行分类，框中有物体的保留，没有物体的舍去，这样分类任务就结束了。
对上述得到的边框进行回归这样就会使结果框更准确。
yolov1执行过程总结如下：

1. 给出大量默认框
2. 对默认框中的物体进行分类，有物体的保留，没有舍去
3. 对上述得到的边框进行回归，修正结果

所有的目标检测都是这个过程，所以在看论文的时候记住这个主线，就没什么难度了

1.生成默认边框

默认框的生成对检测的速度影响很大，r-cnn和fast-rcnn中使用selective serch生成默认框，这个过程很慢，对时效性影响太大，yolo使用了很简单，快速的方法，如上图，将一张图片分成sxs个grid（这里使用的s=7），在每个grid位置产生B（这里是2个）boxes，如下图所示，红圈为该grid的中心，然后为这个grid中心产生两个boxes，黄框所示。这个边框的选择可以根据不同的问题选择不同的尺寸，比如在VOC2007中的物体偏大，所以选择的默认框尺寸偏大。

2 物体分类

物体的分类其实分为两个阶段

• 第一个阶段：判断方框内是否有物体
• 第二阶段： 确定方框有物体后，判断属于哪个类别

先介绍一下IOU的概念，IOU其实很简单就是iou = $\frac{A\bigcap B}{A\bigcup B}$，这是干什么用的呢？用于第一阶段的分类，判断边框内是否有物体，若默认box和真实box之间的iou大于某阀值的时候，认为有物体，小于该阀值，认为没有物体a，如1中图所示，假设阀值为0.5，显然，box1和ground_truth之间的iou小于阀值，认为没有物体这里记为Pr(object)=0，box2与ground_truth之间的iou大于阀值，所以认为有物体，Pr(object)=1。
接下来，我们要对物体进行分类：

上述是输整个网络的结构，输入是224x224的图片，最后的输出是(7x7x30)的向量先分析一下这输出，然后封装训练数据。7x7是上述所说的将图片分为7x7的grid，一个一个grid处理。每个grid有（5x2+20)个输出值，可以看出来，两个boxes分别处理的，每个box预测x,y,w,h,confidence, 注意，这五个值是以box为单位进行预测的，20个类别是按grid进行预测的，confidence是判断boxes内是否有物体，要注意：x,y,w,h并不是直接预测边框的x,y,w,h，是对box的微调值，细节后面再讲

要对图片进行分类，那么必须要有标签，(x,y,w,h,confidence,20个类别)，想，在ground_truth所在的grid内，confidence=1，而(x,y)是这个ground_truth所在grid的中心点，(w,h)是ground_truth的长宽，类别很简单，就是单纯的类别，voc2007有20个类别，每个类别之所以用20个数表示，是因为类别用one-hot表示的。

3 对分类后的边框进行回归

上面我们说预测的x,y,w,h并不是直接预测边框的x,y,w,h，x,y是相对该物体中心所在grid的左上角的偏移，w,h是对生成box的w,h的放缩，细节后面再讲我们之前说过，预测的confidence是指某个grid是否有物体，每个grid会有两个默认boxes，x,y,w,h就是在这个默认boxes进行微调，使得预测的box和真实box更加接近。下面分析一下损失函数。

${\lambda }_{coord}$,${\lambda }_{noobj}$是两个系数，这是作者自己根据经验自己定义的，默认boxes有很多，但是和真实box相交的只占小部分，这是目标检测很严重的一个问题，成为正负样例不均衡，有很多论文就是针对这个问题提出的，这两个系数就是用来平衡误差的惩罚项。$S$是指grid的个数，$B$是每个grid推荐的boxes的个数。$1_{i,j}^{obj}$是指有物体的confidence，$1_{i,j}^{noobj}$是指没有物体的confidence。
整个损失函数分为五个部分：

1.计算有物体中心位置的误差，(x,y)是confidence=1，即有物体的grid相对于左上角的偏移。

2. 计算confidence=1的grid，w,h的误差

3. 这是计算真实box中心所在grid的confidence的误差

4. 计算没有物体的grid的confidence误差

5. 计算有物体的grid的类别误差