YOLO系列学习：V1-V3理论学习（原创）

如今YOLO已经更新到了V10版本，早期版本可能已经落后于更高的版本性能，但是思想上都是相似的，为了更好的理解YOLO系列不同版本的升级和区别，本人从V1版本进行逐步了解。

YOLO v1-v3用一篇文章进行总结，本文更注重了解其思想，方便后期其他版本的学习和理解。

YOLO的一些基础知识

• YOLO提出通过one-stage的方式解决检测任务，实时性得到了很大提升，但是早期效果不如速度较慢的mask-rcnn，因为two-stage方式会多一个预选框的过程。
• 精确率p=TP/TP+FP 召回率r=TP/TP+FN

	相关，正类	无关，负类
被检索到	true posutive	false posutive
未检索到	false negatives	true negatives

• IOU:预测和真实框的交并比

V1

核心思想：每个格子去预测得到两种候选框，然后候选框和真实标签计算iou，最终选择一个进行微调，每个位置都进行预测，所以要得到一个置信度confidence，每个格子得到x,y,w,h,confidence
总结：每个格子提供一个候选框，置信度判断是否存在物体，要预测有物体的提供候选框，两个选择一个，通过iou判断选择哪个，计算x,y,w,h得到预测框
网络结构，网络结构图就不放了，非常简单的卷积加FC

• 输入 448 * 448 * 3(训练224*224)
• CONV=>7 * 7 * 1024
• FC->40961->FC->14701->reshap->7730
• 得到一个7*7每个格子30个值
• 候选框1：x,y,w,h,c1 候选框2：x,y,w,h,c1 ,剩余20个是类别
  损失函数：
  
• 坐标（位置误差）损失：遍历7*7和2个候选框 x,y真实和预测的差,w,h根号差（根号原因/目的：解决物体小的时候不敏感）
• 前后背景不均衡所以在不含物体的分配小的权重参数降低影响
• 分类：交叉熵损失
  NMS非极大值抑制:IOU符合的取出，将置信度最高的框取出
  总结：
• 重叠问题无法解决（每个cell只预测一个类别）
• 小物体检测不到（只有两个框）

V2

V2在V1的基础上做了很多实验和优化，很多结论至今都证明是有用的。

• BN层，舍弃Dropout，卷积后全部加BN；每一层都做了归一化，收敛更快；网络提示2%mAP
• 更大的分辨率，先用224训练，最后几次448*448进行微调，网络提示4%
• DarkNet借鉴vgg、resnet，没有全连接层，5次Maxpool降采样(h/32,w/32)416->13
• 部分中间层1*1卷积节省参数
• 先验框，聚类提取先验框（k-means=5 ） ,在fast-rcnn中是默认长宽比取得，作者通过在真实数据中聚类得到5类，聚类距离不是欧氏距离，而是1-IOU当做距离，并通过实验得到5类效果较好差异较大，recall有提升
• box：之前偏移量在模型训练初期容易乱走，不适合训练，现在偏移量在格子内（0-1）中心点不会偏出格子
  • 预测x = 偏移量+在特征图中的相对坐标
• 感受野
  • 3个3x3比1个7×7 参数更少，感受野相同
  • 最后一层感受野太大小目标容易丢失，选取前几层的输出更适合小目标，与最终结果拼接，前面层进行拆分2626512->4 * 13 * 13 * 512 conect 13 * 13 * 1024->13 * 13 * 3072
• 多尺度，对输入大小不固定，没有全连接层

V3

YOLO-V3的网络结构相对比较复杂，他融合了当时最先进的思想多尺度、残差等，这里看到一篇文章给出了清晰的结构图，如下非常清晰直观

尊重原创：图片来源
V3的更多升级针对效果
多种scale：分别针对大中小任务进行学习

• 大（13 * 13）中（26 * 26）小（52 * 52）三种scale分别预测，每个scale有3种候选框（与v2相同聚类将9种框分为三类每类3个得到）
• 如上面结构图，将最后一层的输出上采样与前一层进行融合
  （注：本人之前刚好做过一种金字塔网络与之思想类似，但是需要将原始图片下采样到不同分辨率然后分别处理，速度确实会下降，yolo采用一种分辨率输入，然后上采样融合方式，速度更快。）
• 残差思想+只有卷积（用步长=2代替池化下采样）如下图
  
• softmax层使用logistic改进，可以预测每个类别，不局限于一个物体一个类别，可以一个物体多个类别

总结

后续对源码和其他版本进行进一步学习和了解。