【论文解读】one-stage系列开山之篇 | 目标检测速度检测大跨步 | YOLO V1详解

最新推荐文章于 2022-10-16 23:46:16 发布
最新推荐文章于 2022-10-16 23:46:16 发布
阅读量505 收藏 2
点赞数
分类专栏： 目标检测论文精读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42237113/article/details/112071338
版权

目录

前言

关于YOLO系列的初始作者–Joseph Redmon,说实话真的是个典型的米国白左，辣眼睛的CV，不知道的还以为是那个少女心泛滥的中二，祭出来镇楼：

Joseph Redmon

想立就立、想当就当，想退圈就退圈，反正自己公司已经被大厂收购，早就实现了财富自由，唉，真的是。。。。anyway, 有一说一，这也不影响其在学术、在目标检测上的积极贡献。所以还是要细细读一下。

1.简介

1.1 YOLO由来

YOLO == you only look once : 就是看一眼，就可以做到目标检测了，可见足够快吧！
在这里插入图片描述
PS:
这些作者排序就比较有意思了:
第一作者是joe； Joseph Redmon
第二个作者是joe的大师兄、（看通讯地址也知道现在已经在 Allen Institute for Artificial Intelligence干活了）；Santosh Divvala
第三个是Ross大神；这个可能都认识就不放了吧
最后一个是joe的指导老师老Ali 、同时也是Allen Institute for Artificial Intelligence一个项目的主要负责人。。。【 info | others 】

这个显然是业界和学界的合作催生的产物， joe的导师Ali功不可没，paper的具体功能我感觉其实没有太多划时代的创新点（是不是一篇文章，分多次发、发不同阶段的产物还真的不好说，毕竟YOLO_V1 、V2其实赶脚也没有离多久），但是paper让人赶脚着这个虽然不怎么样但是总是能突出速度快、忽略精度低或者说使用其他的方式让你觉得其实没有那么差并且给出一定方法去弥补的赶脚。写的还是不错的、况且还有大神挂名，感觉学术论文的技巧比较高！感觉像我们这样的小白，应该好好学习一下~~

1.2 摘要

在这里插入图片描述
论文也说的清楚，不再像R-CNN系列那样费心提出Proposals了，直接使用一个网络、把找目标看做一个回归问题end-to-end一次训练完！这个绝对会非常快！（paper肯定不会明说，但是这个精度自然就会比较差了，相比于Two-stage的一些代表，例如Faster R-CNN）

1.3 代码

[YOLO v1] You Only Look Once: Unified, Real-Time Object Detection | [CVPR’ 16] |[pdf] [official code - c]
（官方的v1版本已经不再维护了，都没官方代码了；最早的也只剩下v2版本了）

2.YOLO网络结构详解

2.1 整体介绍

在这里插入图片描述
这个整体过程也非常清楚：
（1）resize图片到固定尺寸（448x448，显然图片尺寸越大准确度越高，速度也会降低；R-CNN系列都是224x224，因为确实也慢，如果也用448x448的话mAP也许还会上升不过就慢的太过了）
（2）使用一个conv net + fc layer ----> 直接得到分类scores、bbox坐标 （这个过程真的有点像Faster R-CNN里面的RPN环节，不过YOLO就像是只有一个RPN、判断bbox就完了；而Faster R-CNN里面后续还有fc layer+ sibling layer继续再次进行校正bbox）
（3）得到分类score / bbox，通过阈值筛选判断、保留和筛除

2.2 主干网络分类

论文中以YOLO为主，同时也为了和其他detector比较精读和速度，提出了YOLO-Fast、YOLO-VGG16的版本，这个总是拿着不同版本的长处和别人比较的做法确实厉害。

  • YOLO（主要版本）
    在这里插入图片描述
    这是paper作者自己改进的卷积神经网络：
    input : 448x448
    net: 24个conv layer + 2 fc layer
    output: class scores/ bbox， 注意是 7x7x30（请自行对照下方核心思想理解）

Tips：
1.作者paper里面说backbone的原型来源于GoogLeNet系列 - - Inception Net, 但是inception models肯定长着这样：
在这里插入图片描述
而且肯定检测的速度的话也会比较慢，毕竟大型的网络结构。作者的网络显然没有这个结构，最大的替换就是把inception module变成 3x3 +1x1 conv，类似于Network In Network.
2. 而且也说了一下训练过程：在imgnet上按照224x224先进行pretrain，之后采用这些模型fine-turning 448x448
3. 注意网络中使用的激活函数是leaky rectified linear activation:
在这里插入图片描述

  • YOLO-Fast （追求速度的版本）

input : 448x448
net: 9个conv layer + 2 fc layer
output: class scores/ bbox

tips：
只是从YOLO版本中，缩减主干网络的卷积层数（24 个 conv -> 9 个 conv layer），这样检测速度肯定会有较大提升，但是相关的feature map就没有那么高的维度和空间聚合性了，所以检测效果可能会下降非常多。

  • YOLO-VGG16 （追求精读版本）

作者paper中可能也是因为自知精读太差，所以还是也像 R-CNN系列一样使用了其他人常用的VGG16网络，这个也是提升了一些精读 （大约3%左右）、但是检测速度确实下降了非常多。

2.3 核心思想详述

在这里插入图片描述

（1）输入图像被划分为了S*S个grid，如果一个物体的中心落在了某个grid cell中，则该grid cell就负责检测该物体。（在训练中可以通过ground truth计算出物体中心在哪个grid cell中，所以训练后，算法也自然拥有了这种能力。）

（2）每个grid cell 都会预测出B个bounding boxes及其置信度（confidence scores），这些置信度反应了该Box包含一个物体的确信程度以及bounding box的准确程度。训练过程，目标的置信度表示为 Pr(Object)∗IoU(pred,truth)，
tips:
Pr(Object)-> 表示在此cell种是否存在obj, 存在 则=1；否则=0；
IoU(pred,truth) -> 表示预测的bbox与ground truth的 IOU

即如果grid cell中没有目标物体，则置信度为0；
如果有目标，置信度设为IoU(pred,truth)，预测的bounding boxes每次都是前向计算出来的，与ground truth计算出目标IoU。

（3）每个bounding box包含5个预测x,y,w,h,以及置信度；(x,y)代表bounding box中心相对于对应cell边界的位置；w和h是相对于整个输入图像的宽和高的比例。置信度即bounding box与ground true的IoU（之后在做检测计算的时候会被乘上分类的概率输出）。

注意的是，bounding box的位置是不需要初始化的，区别于Faster R-CNN的anchor方法，bounding box位置是模型计算输出的结果，而不是模型参数或者超参数（除了bounding box个数及数据组织方式）。模型权重有了初始值，有图像输入，则bounding box的位置是模型计算确定的。训练阶段将结合ground truth进行bounding box预测位置的调整（网络权重的更新）。

（4）每个grid cell也会输出C类目标对象的类别概率, 即Pr(Classi|Object)。
在实际计算过程，我们计算每一个类别的概率，使用如下公式：
Pr(Classi|Object) ∗ Pr(Object) ∗ IoU(pred,truth) = Pr(Classi) ∗ IoU(pred,truth)

在这里插入图片描述
因为使用的是VOC数据集，有20个分类，所以以上的参数变为：
S=7, B=2, C=20,
最终的输出是 7x7x(2x5+20) = 7x7x30的tensor，具体含义如下所示：
在这里插入图片描述

在这里插入图片描述

配合上图，总结来说： 输入一个448X448 的图片，YOLO将其划分为7X7=49的网格，每个网格要预测2个bbox、并且给出每个预测的bbox 的坐标（x,y,w,h）、每个bbox是否包含该物体的置信度confidence；每一个网格也要预测属于20分类的每一个概率。

2.4 loss计算

在这里插入图片描述
整体说明图：
在这里插入图片描述

说明：主要是包括 bbox误差、置信度误差、分类概率误差

  1. Xi, Yi, Wi,Hi -> 预测bbox框的中心坐标（距离bbox边界的比例；跟img长、宽的比值）/ X_hat, Yi_hat W_hat,H_hat -> 真实目标的bbox框的中心坐标（距离bbox边界的比例；跟img长、宽的比值）;
  2. Ci -> 是否包含obj的置信度； C_hat -> 真实否是包含obj;
  3. Pi -> 预测是某个类别的概率；P_hat -> 真实是是某个类别的概率;
    在这里插入图片描述
  4. λcoord :目标obj存在该cell中的权重系数、 λnoobj：obj不存在在该cell中情况下的权重系数 ; λcoord = 5 and λnoobj = .5.

PS: 为何要对w,h开根号？

举例来说：
在这里插入图片描述

3. 优缺点 and 与其他detection比较

3.1 YOLO自述优点

  • 1 非常快
  • 2 考虑图片全局性比较多、所以在预测的时候错误率较低（每个图片最多只能检测98个obj，这个自然错误率低了，哈哈）
  • 3 yolo相比其他，通用泛化能力略好。（他用预测艺术品中图片的检测精读较高来佐证，毕竟这方面的对比其他论文也没去做，哈哈）

3.2 YOLO 自述缺点

在这里插入图片描述

3.3 和其他detector对比（从而作者可以信誓旦旦地说明客观上都没有YOLO好）

主要是对比了DPM、 R-CNN、Fast R-CNN、 Deep MultiBox、 OverFeat、MultiGrasp、Other Fast Detectors。

简单来说，就是精度高的paper里面说没有YOLO速度快、速度能称得上real-time的说用的还是sift等老的提取特征方法、使用CNN提取RPN的就强调他们训练是multi-stages、速度很快的就说并不能用于检测复杂情况。

当然其实论SOTA的话，Fast R-CNN（2015年）还是比较有优势的，YOLO其实当时（2016）并没有硬刚，直接忽略不细谈。哈哈，建议去看原文。

4.实验和评估

4.1 和其他detector的比较

  • 部分速度和准确度的比较（VOC2007）
    在这里插入图片描述

速度快的没有YOLO准确度高（那些论文可是N年前的了，这个有点鞭尸的感觉。。。）；精度高的还特别标注一下，“看！没有real-time（就是速度慢）、这可是less than real-time的哈”。另外，为了挽回一下YOLO系列的精度，并且还特意写上了YOLO-VGG16

  • VOC 2007 Error Analysis
    主要是围绕着Fast R-CNN(注意：而不是改进版的、更好一点的Faster R-CNN)展开。
    使用Hoiem等人的方法和工具。对于测试时的每个类别，我们看这个类别的top N。每个预测或者是正确的，或者根据错误类型进行分类：

    Correct：正确的类别且IOU>0.5。
    Localization：正确的类别，0.1<IOU<0.5。
    Similar：类别相似，IOU >0.1。
    Other：类别错误，IOU >0.1。
    Background：任何IOU <0.1的目标

在这里插入图片描述
YOLO的诡辩艺术：
“ 看，Fast R-CNN里面因为是RPN有2k个，所以正确率高的同时，分错的占比也高（background）。而我们这边（YOLO）类别都对了，只是对于location这方便略微偏了一点而已（肯定还会提高的）”

  • VOC 2012的精度结果比较

在这里插入图片描述
当然，这个表的结果并不是用来说YOLO只有50%的这么差的精读的实话的，主要是用来鼓吹他自己提出的结构FAST R-CNN + YOLO的精读也是SOTA的！

4.2 YOLO自己精度差？他给出了现在的解决办法

那就是selective search method 不是检测都需要1.5s么，反正是用来提出RPN的、直接用YOLO代替呗~~YOLO反正也才1/45 =0.02 s
(噗，当然要比Faster R-CNN的RPN时间长！！)

于是作者提出了一个方案： Combining Fast R-CNN and YOLO
并且是只看精读、不看速度的！！！

在这里插入图片描述

4.3 YOLO的强势鼓吹佐证

  • 佐证1：在艺术品中人物检测的效果~看，更好泛化能力

在这里插入图片描述
反正就是找冷门的数据集，来刷一下优越感。。。貌似能说明泛化能力超强还是啥问题？ 噗~~

  • 佐证2：在户外实时检测方面 ~ 看，除了real-time，还有更符合人眼的bbox和分类哦（噗~~）
    在这里插入图片描述

这让我想起了一个梗：
A某鼓吹自己心算能力特别快，
一个主持人问他，那我考考你吧？ 123457 x 999.663等于多少？
A某答曰：100万。
主持人：这个貌似不对吧？
A某：你就说快不快吧。。。。

5.Reference

  1. [YOLO v1] You Only Look Once: Unified, Real-Time Object Detection | [CVPR’ 16] |[pdf] [official code - c]
  2. YOLO相关博客 参考1 | 参考2 | 参考3
AI扩展坞
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
目标检测算法笔记 （三） One-Stage 算法 YOLO 系列算法
liuxinnanshou的博客
02-23 1530
目录 简介 YOLOv1 YOLOv2 YOLOv3 网络总结 简介 YOLO全拼是You Only Look Once。作者的目标是实现速度很快同时尽可能保持精度的目标检测网络，其去掉了非常耗时的生成RPN网络（对于实时检测的要求来说），直接把目标检测作为两个任务：目标区域预测、类别预测。实现了使用了一个网络直接预测物体边界和类别概率，即end-to-end，虽然精度与Two-Stage算法...
目标检测之one stage :YOLO开山之作
weixin_42764932的博客
01-29 393
YOLO网格化网络结构输出的含义坐标(x, y, w, h)confidence损失函数预测置信度过滤使用NMS非极大抑制生成预测框性能与小结性能不足优点 网格化 即将图片分成 7∗77*77∗7 的网格，网络输出张量为 batch_size∗7∗7∗30batch\_size*7*7*30batch_size∗7∗7∗30 在Yolo中，如果一个物体的中心点，落在了某个格子中，那么这个格子将负责预测这个物体。以此取代滑窗 网络结构 输入图像大小为448∗448448*448448∗448，经过若干个
one-stage检测YOLO系列/SSD
yang_daxia的博客
11-28 269
YOLO YOLO_V2 主要用了很多tricks.可以借鉴用来训练别的任务 主要为： https://zhuanlan.zhihu.com/p/35325884 1.预训练多尺度，先224*224训练，在448*448fintune 2.实际训练多尺度训练 3.聚类anchor ####################### 特点：速度快，但是不擅长检测小物体 YOLO_V...
目标检测 One Stage Detection（Yolo 系列上）
Sakura_day的博客
04-07 401
目标检测 One Stage Detection （Yolo系列上） 在CNN出现之后，人工智能的研究被推向了高潮，其中图片分类和目标检测也飞速发展。在目标检测领域，首先兴起的是以RCNN系列为代表的两阶段检测（Two Stage Detection）方法。最初的RCNN其实是传统计算机视觉算法和深度学习的结合。它首先用传统的select search算法提取2000个左右的特征图像块（region proposel），之后用CNN提取到图像特征，最后用包含（支持向量机）SVM分类器和目标选框回归（bb.
One stage 检测器的性价比：速度与激情（精度）
weixin_43215677的博客
10-13 517
Introduction 之前介绍完了two stage检测器的演进（主要是Faster R-CNN后的），今天就总结one stage检测器的“性价比”，这可比two stage 的要精彩。 You Only Look Once Humans glance at an image and instantly know what objects are in the image, where th...
YOLO-目标检测领域重要==one-stage==的模型
04-24
YOLO-目标检测领域重要的one-stage模型 YOLO（You Only Look Once）是一种基于深度学习的目标检测模型，属one-stage模型家族。它的提出对目标检测领域产生了重要影响，现今基于YOLO的变体层出不穷。本文将对YOLOV1...
目标检测算法之Yolo系列
01-27
目标检测算法是计算机视觉三大基础任务之一，其包括目标定位和目标分类两部分。在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、Fast R-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图...
YOLO系列算法旋翼无人机目标检测 YOLO无人机检测数据集-drone-part1.zip
04-17
1、YOLO系列算法旋翼无人机目标检测，数据集，都已经标注好，标签格式为VOC和YOLO两种格式，可以直接使用，共量部分，由于数量量太大，分为两部分，这里是第一部分 2、part1数量：5000多张 3、classes: drone 4、有...
目标检测之one-stage模型发展总结
01-07
由于广泛的应用和技术上的突破，目标检测（object detection）在近些年吸引了越来越多的注意力，以飞快的速度发展着。在导致目标检测领域飞速发展的众多因素中，深度卷积神经网络和GPU算力无疑占据着重要的地位。...
目标检测论文阶段性总结——one-stage系列
wutongxdf的博客
10-16 221
是对one-stage目标检测算法的阶段性总结
YOLOv4：目标检测的最佳速度和精度
热门推荐
风信子的博客
08-10 1万+
YOLOv4：目标检测的最佳速度和精度 摘要 随着深度学习的发展，目前已经出现了很多算法（或者训练技巧，tricks）来提升神经网络的准确率。在实际测试中评价一个算法的好坏优劣主要看两点，一是能否在大规模的数据集中起作用（work），二是是否有理论依据。一些算法仅能在某些特定的模型上或者某类特定的问题上运行，亦或是适用于一些小规模的数据集。然而，还有一些算法，例如batch normalization（BN）或者残差连接（residual-connections）已经被用在了不同的模型，任务以及不同的数据集
【论文解读】one-stage系列里程碑 | 目标检测real time改进篇 | YOLO V3详解
熊猫小妖的AI世界
05-04 411
目录1.简介前言链接汇总2.主干网络2.1 总体网络2.2 bounding box预测2.3 class prediction2.4 loss计算3.实验数据3.1 数据环比4. 未竟之业5. Reference 1.简介 前言 yolo系列是由Joseph Redmon为主导，跟他导师Ali合作的最后一个作品（2018年），也是当时目标检测一阶段的SOTA，做到了实时性和准确性的兼顾，可谓是火爆全球。但是因为其本人的政治（白左，所谓“反战“）和个人倾向原因（一夜暴富？！），这个喜好“粉红系pony”的作
论文阅读：AlignDet：Revisiting Feature Alignment for One-stage Object Detection
j879159541的博客
10-23 1857
文章目录1、论文总述 2、Feature Alignment in Object Detection 参考文献 1、论文总述 这篇论文的出发点是one-stage检测器中anchor与feature的misalignment问题，two-stage中没有这个问题是因为它在第二阶段有ROI-Pooling或者ROI-Align操作，即将proposals与feature对齐之后再进行一次回归分类...
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 3953
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
onestage方法_目标检测 — one-stage检测（二）
weixin_33958871的博客
12-23 464
one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO，SSD，Retina-Net。4、SSD(2016)SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用全图各个位置的多尺度区域特征进行回归，既保持了YOLO速度快的特性，...
onestage方法_目标检测——One-stage和Two-stage的详解
weixin_36344231的博客
12-23 1462
目标检测——One-stage和Two-stage的详解发布时间：2019-01-15 14:16,浏览次数：2784, 标签：OnestageTwo二、Two-stage类别的目标检测算法1、什么是Two-stage先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。2、Two-stage的目标检测方法概述对于Two-stage的目标检测网络，主要通过一个卷积神经网络来完成目标检...
加速yolo3检测速度的两个思路
蜗牛在听雨的博客
06-14 2520
1.裁剪卷积核通道的方法来加速前向传播 https://github.com/Lam1360/YOLOv3-model-pruning 2.替换backbone网络，或者自己裁剪现有网络 步骤： 2.1 根据不同的model，要对已有的weights进行转换，得到与.cfg文件相匹配的初始权重。 partial命令可以分割权重文件 提取1～39层darknent19的参数，或者根据自己的需求来截取...
深度学习阅读导航 | 15 YOLOv4：最佳速度与精确度的目标检测器
不积跬步，无以至千里！
07-22 1万+
你知道的不知道的，都在这里！
目标检测中，one-stage和two-stage的区别
最新发布
05-29
在目标检测任务中，one-stage和two-stage是两种不同的检测框架。 Two-stage检测器，比如Faster R-CNN，由两部分组成：region proposal network (RPN) 和 Fast R-CNN分类器。首先，RPN生成一些候选的检测框，然后...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI扩展坞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值