目标检测学习-YOLO-v1

前言

前面几篇讲目标检测的是R-CNN系列，基本都是基于候选区来进行分类和回归，可以说是分了两步。本篇开始介绍YOLO系列的yolo-v1，引入了一种新的思路，就是把分类和回归问题都归结为回归问题，一步到位。

主要思想

YOLO的主要思想在于全局的去看整个图像，从左到右，从上到下的去看每一个地方，然后给每个地方两个框，以便于回归物体的位置和边界框，然后去判断每个地方是否是有物体，如果存在物体，又属于哪一类，然后进行边界框的回归。

具体做法

将图像分割成SxS的格子(你会发现没有真正的分割，只是最后是7x7x30的特征图，也就是对应原图分割成了7x7格子，有30个通道)，如果某个对象的中心落在某个格子的话，那这个格子就负责检测这个对象。每个格子里会有物体的置信度，也就是物体在这个格子的可能性大小，可信度c包括两部分：是否存在物体$Pr(Object)$的概率，预测框和真实框之间的交并比$IO{U}_{pred}^{truth}$。定义为：
$$Pr(Object)\ast IO{U}_{pred}^{truth}$$

刚才说了每个格子有30个通道，也就是30个特征，其实分为前10个和后20个。

先说前10个特征，前10个特征代表2个框的特征，每个框5个特征，分别对应x,y,w,h,置信度C。x，y对应于框的中心，是相对于某个格子来说的，也就是归一化了0-1，比如格子大小是10x10，框坐标是5,5，那x=0.5，y=0.5。w，h是框的宽和高对应于整个图像的宽和高，也是归一化了0-1，比如图像是100x100，框的宽高分别是20,30，那w=0.2，h=0.3。

后20个就是每个格子的类别的条件概率$Pr(Clas{s}_i|Object)$，实验中是20个类别，所以是20个，为什么是条件概率呢，因为格子里面可能不存在物体呀，所以得是有物体的存在下是某个类别的概率，即条件概率。

我们要知道某个格子是哪个类别的概率，只要将格子的置信度和类别的条件概率相乘，即该类存在的概率和框的重叠程度：
$$Pr(Clas{s}_i|Object)\ast Pr(Object)\ast IO{U}_{pred}^{truth}=Pr(Clas{s}_i)\ast IO{U}_{pred}^{truth}$$

模型

这个没啥好说的，作者说是借鉴一些比较好的网络结构修改而来的，至于为什么有些参数是这样，因为实验结果比较好呀，理论上用了1x1卷积的降维，增加非线性，使得网络更深不至于特征更加抽象等特性。

训练

重要的还是这部分，先来看看损失函数吧，有点长，所以截图了：

其实是分为3部分，红框是边界框之间的损失，绿框是置信度的损失，蓝筐是预测类概率的损失，即坐标，置信度，类别。

先看红框，主要是每个边界框都要算损失：
${\lambda }_{coord}$表示边界框损失的权重系数，也就是这部分损失多重要，也可以理解成惩罚系数，系数大说明对这项比较看重。
${\sum }_{i=0}^{S^2}$表示格子的总数，总共SxS个格子。
${\sum }_{i=0}^B$表示每个格子内边界框的总数，总共B个,每个边界框都要这么去算损失。
$1_{ij}^{obj}$表示第i个格子，第j个框是否对物体预测负责，就是要不要算这个损失。

后面x，y之间的损失就是方差，但是w，h的不是，因为可能出现大框和小框,大框偏差一点可能还没关系，但是小框和大框同样偏差，那就偏差大了，比如1000米预测，你说偏差个10米也就算了，但是100米偏差10米，那就差大了，所以为了把这种偏差放大，又因为取值是0-1，所以选择开根号，放大这种差距。

再看绿框，主要是每个边界框的置信度损失：
置信度也是两项，包含物体的和不包含物体的。
${\lambda }_{noobj}$表示边界框中不含有物体的权重系数。

再看蓝色的框，主要是计算每个格子中的预测类别损失：
$1_i^{obj}$表示第i个格子是否有对象。

总结

细节的东西就不多讲了，具体看代码比较好理解，比如预测里涉及到IOU,NMS等技术，总的来说yolo v1
还是可以的，虽然精确度可能不是最高的，但是速度是确实很快，而且那种思想也相对简单，但是也有不少缺点，比如一个格子只能预测一个类别的物体，导致如果物体很小，或者扎堆，那这样一堆里面只能检测一个物体，就漏了。还有貌似对输入图片尺寸也是有要求的，不能任意的。还有作者也说了边界框宽高比不寻常的物体效果不好，定位错误比较大，大框中的小误差影响不大，但是小框中的小误差影响就大了，同时也给出了和Fast R-CNN的错误比较，可见yolo的背景错误比较少，因为yolo是全局的，一格格过去的当然比较仔细，而Fast R-CNN是用了选择性区域，这个就不好说了，然后定位问题还是上面说的，应该是对于大框小框的误差敏感问题：

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自网络，侵删。