目标检测YOLO系列学习笔记（一）

目标检测YOLO系列学习笔记

第一节 检测方法概述、YOLO V1和V2
第二节 YOLO V3和源码
第三节 YOLO V4
第四节 YOLO V5和源码

---

---

一、深度学习经典检测方法概述

1.单阶段和两阶段检测方法

two-stage方法，多了一个预选的步骤

2. 分析指标：mAP和IOU

IOU

IOU=（真实值 预测值 交集）/（真实值 预测值 并集）

mAP指标（mean Average Precision）

mAP指标：综合衡量检测效果

P和N表示**预测 **的正类和负类，T和F表示预测结果的正确和错误
TP表示正确预测为正类的数量，FP表示错误预测为正类的数量
TN表示正确预测为负类的数量，FN表示错误预测为负类的数量

TP+FP是所有预测为正类的数量
TP+FN是所有标签为正类的数量

precision（查准率）：预测结果中，有多少是真的正类（找到的数据中正确的比例）
recall（查全率）：所有正样本中，有多少被找到了（找回来多少）

准确率和召回率是一对矛盾的度量，一个高时另一个就会偏低

mAP就是PR曲线下面积：详情参考性能指标（模型评估）之mAP

二、YOLO V1

1.简介

YOLO（You Only Look Once）是经典的one-stage方法，把检测问题转化成回归问题，可以对视频进行实时检测，应用领域非常广。

2.核心思想

输入一张图片，把他看成是一张S*S的格子。每一个格子会产生两种候选框（就是两套X,Y,W,H），我们要对候选框进行微调。但是不是对所有格子产生的候选框都进行微调，要对真正有物体的格子进行微调。所以每一个格子还要预测一个置信度值，置信度低的直接舍弃，置信度高的格子拿来对两种候选框进行筛选，其中IOU值大的那个拿来微调出实际的结果。

3. 整体网络架构解读

卷积层经过两层全链接后，可以把结果reshape成7730，这个结果非常关键，7*7代表每一个格子。每一个格子要预测两个候选框，每一个候选框有5个预测值（x，y，w，h和置信度c），后面20表示类别的概率。

4. 损失函数

1） 位置误差

位置误差：最小化x,y,w,h与真实值之间的误差
i 表示每一个小个子，一共有S平方个小格子
j 表示每一个小格子的预选框，一共有B个，V1版本里B=2
l 表示拿两个预选框中IOU值大的那个框的x，y，w，h去算后面的损失
w和h带根号是因为想让小物体检测的误差更敏感一些
λ是系数

2） 置信度误差

置信度误差要分含物体的和不含物体的，因为含物体的与真实值是重叠的有IOU值，不含有物体的IOU=0

• 含有物体的
  只选IOU值最大的候选框
• 不含有物体的
  要乘以权重参数λ（0<λ<1），因为背景框的数量比较多样本不均衡，所以损失函数要体现出背景不太重要，前景比较重要

3） 分类误差

5. NMS（非极大值抑制）

在测试的时候会遇到一个目标会检测到很多重叠的框，非极大值抑制就是IOU大于阈值的留下，小于阈值的舍弃，然后按照置信度排序，选择置信度最大的那个候选框。

6. V1优缺点分析

优点：快速，简单
缺点：

• 重合在一起的物体很难被检测到，因为当前一个点（cell）虽有两个预选框，但是只预测一个类别
• 小物体不好检测，长宽比单一只有两个

三、YOLO V2

1. Batch Normalization

V2版本舍dropout，卷积后全部加入batch normalization，相当于网络的每一层的输入都做依次归一化，使网络学习更容易一些，收敛快一些。

2. 更大的分辨率

V1训练时使用了224224的图像，测试的时候呀用的448448的图像，V2开始训练的时候可以用224224的图像，最后10次使用448448的图像进行了微调

3. 网络结构-DarkNet

• 没有全链接层，全是卷积层，因为全连接层容易过拟合而且参数多训练慢。
• 5次降采样，最后的特征图比输入小32倍，V2的输入是416416，所以最后特征图的大小是1313
• 卷积层只用了33和11，1*1的卷积在网络中起到特征传递和浓缩的作用，这样即节省了很多参数又保持网络不受影响

4. 聚类提取先验框：

faster-rcnn中是3中scale分别又3中不同比例（1:1、1:2、2:1）的经验框，V2认为固定比例的经验框不一定合适，所以提出聚类提取经验框。

按照标签的框聚类（k=5）

K-means聚类中的距离：
聚类中的距离=1-真实框与候选框的IOU，IOU越大距离越小，IOU越小距离越大（欧氏距离计算出的结果跟框的大小有关，大的框误差更大，小的框误差更小，所以欧式距离不合适。）

Anchor Box（先验框）

使用了更多数量的先验框之后，mAP值虽然下降了一点，但是recall值大幅增加，就是说模型漏掉的数据更少了，找到的目标越来越全了。

5. Directed Location Prediction（直接预测相对位置）

grid cell偏移量：

• 图中黑色的框pw和ph是先验框，蓝色框tx、ty和tw、th是预测值。
• 蓝色点是预测框的中心点，tx和ty是相对于当前网格左上角那个点的偏移量，这个偏移量只能在0-1之间（sigmod函数），所以预测框的中心点只能在当前网格之中（一个网格大小只有一个单位），飘不出去。
• cx和cy是当前网格左上角的位置值（例如图中是（1,1））
• 所以bx和by等于左上角的位置值（cx、cy）+预测的偏移量（tx、ty）
• pw和ph是聚类得到的先验框

7. 感受野：

8. fine-grained features（精细的特征图）

• 浅层特征图感受野小适合检测小物体，深层网络感受野大适合检测大物体，所以V2版本要把浅层特征和深层特征融合起来，这样就既能检测大物体也能检测小物体了。
• 浅层的特征图拆分4部分（4×13×13×512）叠加上网络卷积池化后的特征图（13×13×1024），所以最后特征图有4×512+1024=3072个，即最终特征图的shape为（13×13×3072）

9. Multi-Scal 多尺度

• 输入图片大小可能不同，V2版本没有全链接层输入大小可以不同
• 一定迭代之后把图片resize成不同的大小，但大小必须得是32的整数倍