CV 目标检测YOLOv1详解

YOLOv1

总体网络结构

总体结构如上图，就是通过一个卷积神经网络，直接对目标检测预测框的 类别、x、y、w、h 直接进行回归。

1. 卷积部分结构

卷积部分其实就是一个特征图提取和计算的过程，如上图红色框部分。
个人理解就是能实现很复杂计算的一个特征提取部分，将输入的图片转换成特征图层，并基于这个卷积部分提取的特征图层，结合后面的全连接层进行anchor的（x, y, w, h）、置信度、和各个类别分数的回归。

2. 全连接层部分

全连接层部分就是将特征图层转换成我们想要的 7×7×30。
这个7×7×30就包含着我们的预测类别、预测置信度、和预测框的位置，是YOLOv1的输出，上图红色框部分。
为什么是 7×7×30 呢，原因如下图：
我们可以看到 7×7×30 里包含了两个anchor框的位置大小信息（x, y, w, h），两个anchor框置信度（是目标还是背景），还有二十个类别的预测分数。

怎么转换成7×7×30

我们仔细来看这一部分，就会发现特征图层在这一部分前面是 7×7×1024，原论文是这样处理的，
先将特征图层 flatten() 展平，然后接一个 4096 的全连接层，后面再接一个 1470 的全连接层。1470 = 7×7×30
这样，直接通过一个 reshape 将全连接层转换成 7×7×30 的预测特征图层，7×7×30里面的每个1×1×30就包含了前面提到的:
box1(x, y, w, h) + confidence1 + box2(x, y, w, h) + confidence2 + 20个类别预测分数

(1) anchor置信度

这里的anchor的置信度是判断目标框还是背景框，起着去除多余框的作用，如下图，如果没有置信度来判断目标框还是背景框，根据（x, y, w, h）画出来的预测框是下图这个样子的，有很多黑框，但是只有加粗的黑框才是有用的。

因此我们加入置信度，判断黑框是否是目标框，就可以去除掉背景框的预测，如下图。

(2) anchor位置大小

训练时，回归的是 中心点落在这个像素位置范围内的 Ground Truth 框的（x, y, w, h）。
x, y：框中心点的 x, y；
w, h：框的宽（width）和高（height）

(3) 类别预测分数

由于YOLOv1论文使用的数据集只有20各类别，因此，是用20个数值来表示各类别的预测分数；如果是30各类别，则需要30个数值，就需要转换成 7×7×40 的 tensor 进行回归训练。

3.损失

整个算法的损失均使用了均方误差的方式来实现，包括：

1. 预测框的坐标误差；
2. 有无包含物体的置信度误差；
3. 网格预测类别的误差；

这里损失中用了权重系数来进行平衡，对于不同的损失用不同的权重。

（1）位置损失

坐标损失分为两部分，坐标中心误差 和 位置宽高的误差。

参数解释

入coord 表示权重参数，取5。
1(obj)(ij) 表示第i个网格中的第j个预测框是否负责obj这个物体的预测，只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值，和ground truth box的IoU是不是在那个网格的所有box中最大。

为什么采用均方差？

蓝色为预测框，两个红色框则分别表示两个ground truth框，如果不采用均方差，我们会发现A与B、B与C的损失是一样的。
但是从面积上看，B框是A框的25倍，C框是B框的81/25倍。B框跟A框的大小偏差更大，所以不应该有相同的loss。如果W和h加上平方根，那么B对A的位置loss约为3.06，B对C的位置loss约为1.17，B对A的位置loss的值更大，这更加符合我们的实际判断。所以，算法对位置损失中的宽高损失加上了平方根。

（2）置信度损失

参数解释

1(obj)(ij) 表示第i个网格中的第j个预测框负责obj这个物体的预测，当 负责 obj这个物体预测的时候置为 1；
1(noobj)(ij) 表示第i个网格中的第j个预测框不负责obj这个物体的预测，当不负责 obj这个物体预测的时候置为 1；
入(noobj) 的作用是在对没有object的box的confidence loss，赋予小的loss weight，在pascal VOC训练中取0.5；而有object的box的confidence loss和类别的loss的loss weight正常取1。

（3）类别损失

参数解释

1(obj)(i) 表示第i个网格是否需要进行类别预测。
(pi© - pi©)^2就是通过平方差计算损失，这里用交叉熵进行计算或许更好。

缺点

1. 每个网格只对应两个bounding box，当物体的长宽比不常见(也就是训练数据集覆盖不到时)，效果较差；
2. 原始图片只划分为7x7的网格，当两个物体靠的很近时，效果比较差；
3. 最终每个网格只对应一个类别，容易出现漏检(物体没有被识别到)；
4. 对于图片中比较小的物体，效果比较差；

总结

YOLOv1就是通过卷积神经网络提取图片中的特征信息，并将特征图层转换成我们想要的7×7×30，直接对预测框的 置信度、位置大小、类别分数 进行训练回归。

有什么补充或者问题，欢迎交流。
如有错误，恳请各位大佬指正。