YOLO系列理论学习（YOLOv1~v3）

---

前言

目标检测学习之YOLOv1~v3系列
参考b站uphttps://space.bilibili.com/18161609

---

一、YOLO v1

Yolo是典型的one stage网络
YOLO v1论文思想

• 将一幅图分成s×s个网格，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
• 每个网格预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。
  
  通过正向传播，提取出1行如上图所示，将其进一步拆分，分成两组bonding box，pascal VOC一共有20个类别，故总长为30。confidence可以理解为我们预测的目标与真实目标的交并比(IOU)×Pr(Object)，当网格中确实存在目标时，后面这项为1，否则为0。

网络结构

损失函数

YOLO v1存在的问题
当一些小目标聚集在一起时，预测结果非常差
当目标出现新的尺寸时，预测效果也比较差。

---

二、YOLO v2

YOLO v2原论文为YOLO9000，性能相比于YOLO v1提升了将近15个百分点。

YOLO v2相比于v1版本做了一些新的尝试

• v2在每个卷积层后面加上了BN层。
• 采用了更高分辨率的分类器(采用448×448输入尺寸)。
• 尝试使用基于anchor的边界框预测。
• 采用 k-means聚类的方法获得相应的priors(anchors)。
• 采用直接预测bounding box中心坐标的方式，每个anchor去负责预测目标中心落在某一个cell区域内的目标。
• 结合更低层的图像信息，将高层与低层进行融合。(FPN)
• 采用多尺度训练方法，每迭代10个batch，就将网络的输入尺寸进行一个随机的选择。

k-means聚类方法可参考博文使用k-means聚类anchors

网络结构

三、YOLO v3

YOLO v3没有什么太多创新点，主要是整合当前热门网络所构成的一个方法。

论文名称：YOLOv3: An Incremental Improvement
论文下载地址: https://arxiv.org/abs/1804.02767

YOLO v3的backbone改为Darknet-53，该backbone的结构与Resnet类似，但Darknet-53没有最大池化下采样，而是利用步距为2的卷积来对高和宽进行缩减。这样速度会进一步提升。

Darknet中的卷积层并不是普通的卷积层，是一个卷积+bn+LeakyReLU激活函数，(使用bn时卷积层没有偏置参数)。方框框住的部分是一个残差结构。

YOLO v3会在三个特征层上进行预测，每个特征层上会使用三种尺度，三种尺度在原论文中给出。

以YOLO v3 416模型为例，输入图像尺寸为416×416，通过Darknet53输出的预测特征图大小为13×13。接下来通过一个convolutional set

然后再通过一个3×3的卷积，得到第一个预测特征图，大小为13×13，最后使用一个卷积核大小为1×1的预测器在预测特征图上进行预测，预测参数的个数为13×13×3×(4+1+80)(COCO数据集，种类为80)。
在Convolational Set处往下进行，首先是经过1×1的卷积层，然后经过上采样，再与Darknet53中26×26的部分在深度上进行拼接(与FPN在对应维度上进行相加不同)。之后再进行一个Convolational Set处理，产生两个分支。第二个预测特征层与后面第三个预测特征层同理，在此不再赘述。

目标边界框的预测

与YOLO v2 相同，YOLO v3中采用的anchor机制与之前的ssd与faster r-cnn是有些许不同的，YOLO v3中网络所预测的有关目标中心点的回归参数并不是相对于anchor的，而是相对于当前cell的左上角这个点的。

正负样本匹配
针对每一个GT box，都会分配一个正样本，会选与GT重合最大的bounding box作为正样本，对于那些重合程度也超过阈值但不是最大的那些box，论文中说会直接丢弃该预测结果。剩下的样本均为负样本。

损失的计算

置信度损失

类别损失

定位损失