yolo系列——v1详解

yolo系列——v1详解

概述

yolo系列，持续更新

yolo系列已经出到v5，在目标检测方向的表现越来越强。虽然v1较之后的版本，SSD等网络相对简单，但还是建议大家从头学起，打好一些基本功，以便于日后设计新的识别网络、发顶会或者工程化可以有清晰的思路。任何算法都需要自己理解并实现，简单的拿来主义并没有实质性的帮助。

论文地址：https://arxiv.org/pdf/1506.02640.pdf
tf实现：https://github.com/gliese581gg/YOLO_tensorflow

yolo1详解

yolo1的过程可以分为三步：
1.将输入图像划分成7x7=49个网格grid cell（以网格为基本单位）
2.CNN网络做特征提取
3.计算类别信息和位置回归

一、划分S*S网格

将输入图像划分为SXS个网格（yolo1设置为7x7），每个网格预测出2个边界框，所以一幅图像可以得到7x7x2=98个边界框。当物体的中心点落到某个grid cell内，由该cell确定的BoundingBox负责预测此物体。如下图所示：

每个边界框要回归自己的位置（x,y,w,h）外加一个confidence。置信度包含了此bbox内含有目标的概率和IOU值。公式如下：

式中，Pr⁡(Object)是边界框内存在对象的概率，若存在对象，Pr⁡(Object)=1，否则Pr⁡(Object)=0；IOU是真实框与预测框的交并比，之前在SSD网络详细讲解过，这里不再赘述。同样地，yolo1使用NMS来保留最优解。

二、yolo1的主干网络：

yolo1使用的特征提取主干网络类似于GoogLeNet，
网络结构如下：

Yolov1的主干网络参考GoogLeNet，包含24层卷积，4层最大池化，2层全连接层。输入是448x448x3的图像，输出是7x7x30的张量。
输出张量的大小就对应着第一步里7x7个网格，通道数30具体的含义如下：

如上图，输出的7x7x30的张量的含义：某一个cell确定的边界框内20类物体的概率（20维）+ 某一个cell确定的2个边界框内的置信度（第一步介绍） + 某一个cell确定的2个边界框的位置信息（4x2）=30

三、损失函数：

yolo1的loss使用均方和误差,简单粗暴的将五种信息的均方误差按照一定的权重累加在一起。具体表达如下：

如上式子，包括五个部分。第一行表示边界框中心点位置误差；第二行表示边界框宽高误差；第三行表示当边界框内有目标时的置信度误差，第四行表示当边界框内无目标时的置信度误差，第五行表示20个类的概率误差。

yolov1比较简单，v2~v5持续更新。