目标检测（YOLO，FPN，RetinaNet，SSD）

在前一篇目标检测(R-CNN，SPP，Fast R-CNN，Faster R-CNN),所整理的R-CNN，SPP，Fast R-CNN，Faster R-CNN中，这些目标检测技术都只是两阶段网络，比如性能相对来说最好的Faster R-CNN，是先用RPN生成候选目标区域，然后再进行Fast R-CNN的方法，继续目标对象的分类和边框的回归预测。但是那有办法一步做完这些事吗？

YOLO
YOLO是一个很重要的目标检测框架，准确率和检测速度都非常好也已经进化更新了3代了(https://pjreddie.com/media/files/papers/YOLOv3.pdf)。它之所以可以一步到位，就是使用了如下图的统一架构：

即先把图片分成固定的单元S x S，如图是7 X 7，每个方格都各自负责使用卷积去预测框内有无目标存在的情况，再以小格子为中心寻找更精确的目标框，如图中各种颜色的预测，最后再结合预测到的概率，最大化抑制等就可以得到最后的结果。即它的检测过程是：
1.划分方格，每个方格有（x，y，w，h，confidence，C1…Cn），(x,y)坐标代表了中心，w,h分别代表目标的宽度高度比（相对整张图），置信度是由预测框和任意实际框的iou值，C是预测到的类别，用这样的矩阵格式就可以一次性的预测出类别，边框。因此对于有10个类别的数据来说，每个方格使用2种大小的锚框（一宽一窄），那么每个方格单元的输出将会是((4+1）2+10)=20，那么对于77的方格数，最后有7720大小的的输出。
2.输入到网络中进行训练。如下图是YOLO自己所使用了一种叫DarkNet的网络。

损失函数：

Yolo损失函数一共包括：协调误差，客体性的分数（$1^{obj}$，评价框内是否存在目标，只有它大于0.5时，才有计算协调误差和分类误差），分类误差三项。其中第一项是边界框中心坐标的误差项，$1^{obj}$指的是第i个单元格存在目标，而且该单元格中的第j个边界框负责预测该目标。第二项是边界框的高与宽的W，H误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的单元格的分类误差项，$1^{obj}$指的是第i个单元格存在目标。但是实际上这个误差函数并不是对所以的数据集都适用，在其他的数据上它的效果可能并没有那么的出色。
YOLO的全项目地址是：https://pjreddie.com/darknet/ ，下面是部分代码解析：

#YOLO网络模型
from keras.models import Model
from keras.layers import Input, Conv2D, GlobalAveragePooling2D, Dense
from keras.layers import add, Activation, BatchNormalization
from keras.layers.advanced_activations import LeakyReLU
from keras.regularizers import l2

#每个卷积层
def conv2d_unit(x, filters, kernels, strides=1):
    x = Conv2D(filters, kernels,
               padding='same',
               strides=strides,
               activation='linear',
               kernel_regularizer=l2(5e-4))(x)
    x = BatchNormalization()(x)#BN处理
    x = LeakyReLU(alpha=0.1)(x)#使用LeakyReLU做激活函数

    return x

#每个残差块
def residual_block(inputs, filters):
    x = conv2d_unit(inputs, filters, (1, 1))
    x = conv2d_unit(x, 2 * filters, (3, 3))
    x = add([inputs, x])
    x = Activation('linear')(x)

    return x

#一堆残差块
def stack_residual_block(inputs, filters, n):
    x = residual_block(inputs, filters)

    for i in range(n - 1):
        x = residual_block(x, filters)

    return x

#darknet架构
def darknet_base(inputs):
    x = conv2d_unit(inputs, 32, (3, 3))

    x = conv2d_unit(x, 64, (3, 3), strides=2)
    x = stack_residual_block(x, 32, n=1)

    x = conv2d_unit(x, 128, (3, 3), strides=2)
    x = stack_residual_block(x, 64, n=2)

    x = conv2d_unit(x, 256, (3, 3), strides=2)
    x = stack_residual_block(x, 128, n=8)

    x = conv2d_unit(x, 512, (3, 3), strides=2)
    x = stack_residual_block(x, 256, n=8)

    x = conv2d_unit(x, 1024, (3, 3), strides=2)
    x = stack_residual_block(x, 512, n=4)

    return x


def darknet():
    inputs = Input(shape=(416, 416, 3))
    x = darknet_base(inputs)

    x = GlobalAveragePooling2D()(x)#全局平均池化以处理size不一致（改进SPP的池化方法）
    x = Dense(1000, activation='softmax')(x)

    model = Model(inputs, x)

    return model


if __name__ == '__main__':
    model = darknet()
    print(model.summary())