yolo算法_基于YOLO算法的装维质检目标检测（三）

接上期的《基于YOLO算法的装维质检目标检测(二)》

这一期主要为大家讲解YOLO算法的的流程和实际建模过程

【YOLO 算法】

YOLO introduction

YOLO

是RBG继RCNN，fast-RCNN，faster-RCNN以后，又一力作。针对目标检测中，无法实现实时性检测的问题，独辟蹊径，开创了目标检测的新思路，直接将目标检测转化到回归上，直接用一张图片得到bounding box和所属类别。在针对质检选择One-stage中的算法考虑到速度以及YOLO算法的快速发展，目前以及发展到YOLOv3版本，识别Object已超过9000种，准确性也有了很大提升。图1展示经典目标检测在准确性和速度上的表现

设计理念

YOLO算法采用一个单独的CNN模型实现段对端的目标检测。就是从利用整张图像作为网络的输入，直接在输出层回归boundingbox的位置和bounding box所属的类别，把ObjectDetection的问题直接转化为一个回归问题

算法特点

①速度快，能够达到实时的要求。在Titan X的GPU上能够达到45帧每秒

②使用全图作为Context信息，背景错误(把背景错认为物体)比较少

③泛化能力强

算法流程

YOLO直接从一张图像中提取特征，来预测每个bounding box，最小化和的误差。由于YOLO是一个端对端的训练，并且没有中间的生成，所以在速度上有了很大的提升。大致流程为：

①YOLO的CNN网络将输入的图片分割得到S*S网格(cell)。某个物体落入S*S中某个网格中，该网格就负责预测这个物体，并且每个网络只预测一种Object

②每个单元格会预测B个边界框，每个除了要回归自身的位置以外，还要预测边界框的置信度。所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，记为：；当该边界框是背景时(即不包含目标)，此时。而当该边界框包含目标时。二是这个边界框的准确度，边界框的准确度可以用预测框与实际框的交并比)来表征，记为，因此置信度可以定义为：*。边界框的大小和位置是通过4个值来表征：，其中是边界框的中心位置，是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的。和是边界框的宽和高，边界框的和预测值是相对于整个图片的宽和高的比例

③每个网格还要预测C个(条件类别概率)：,记为C类。则S*S个网格中，每个网格要预测B个，还要预测C个类别，输出就是S*S(5*B+C)

④测试时，对于每个网格预测的class信息和预测的confidence信息得到每个的以后，设置阈值，过滤掉得分低的boxes，对保留的boxes进行非最大抑制(NMS)处理，就得到最终的检测：

检测结果

网络结构

YOLO 网络架构通过该修改GoogleNet，网络总共24层，前22层卷积层，用来提取特征，最后2层全连接层用来预测概率和坐标。网络的结构如下图所示：

网络结构图

网络输出7*7*30的三维特征。

结果测试

YOLO算法网络最终不仅要预测类别，还要预测坐标。YOLO全部使用了均值和误差作为loss函数,由三部分组成：坐标误差、IOU误差和分类误差

在坐标预测中，使用平方损失函数的话，大的boxes比小的boxes权重要大，为了消除这个缺陷，对高度和宽度进行求根。损失函数：

上公式中代表有物体出现在中；代表中的第j个预测是否合理。上述的如果物体在cell中，只会惩罚错误的分类。如果预测的合理，对坐标的差异对进行惩罚。最小化上述，就可以得到最优的预测结果

建模过程分析

Modeling process analysis

输入

读取图片

图像预处理

适配算法的代码

训练样本集

(1) 原图(4908张)

(2) xml文档，是对原图通过标注工具(ImageLabel)生成的xml文档

(3) txt文档，对xml文档进行解析，生成存放类别及对应边框信息txt文档，以及存放每张图像具体地址的txt文档。见下图展示：

参数设置：

Batch=256; Subdivisions=64; learning_rate=0.001; max_batches=20000

测试：

#结果生成txt文档，包括类别、置信度等。

END