YOLO学习笔记（二）：YOLOv1

一、产生背景：

1. 在YOLOv1提出之前，R-CNN系列算法在目标检测领域独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。为了打破这一僵局，设计一种速度更快的目标检测器是大势所趋。
2. 2016年，Joseph Redmon、Santosh Divvala、Ross
   Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片（45FPS），能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You
   Only Look Once（也就是我们常说的YOLO的全称），并将该成果发表在了CVPR 2016上，从而引起了广泛关注。
3. YOLO 的核心思想：把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。

二、网络架构

• 输入：448×448×3的特征图片
• 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征
• 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值
• 输出：7×7×30的预测结果

总体思想：YOLO将输入的448×448×3的特征图片送入CNN，其中经过24个卷积层，2个全连接层（FC），最后输出的特征图大小为7×7×30。网络架构示意图如下：

三、核心思想

1. YOLO将一幅448×448×3的图像分成 S×S个网格（grid
   cell），如果某个物体的中心落在这个网格中，则这个网格就负责预测这个物体。

2. 对于一个网格：一个网格只能预测一个物体，会生成B个预测框（bounding box）。每个网格（grid cell）要预测 B 个bounding box，每个bounding box 要预测 (x, y, w, h)—中心坐标和长宽这四个元素， 以及置信度confidence。此外，每个网格还要预测一个类别信息，记为 C 个类。 因此S×S个网格的输出就是一个 S × S × (5×B+C) 的张量。

3. 实际上，对于YOLOv1的实际使用中，S=7，B=2，C=20，因此网络输出为7 × 7 × 30。因此30的组成为B1的5个元素，B2的5个元素以及20个条件概率类别。最终的预测特征由边框的位置、边框的置信度得分以及类别概率组成。

词汇解释：

1. 边框位置：对每一个边框需要预测 (x, y, w, h)这4个元素，两个边框共计8个预测值。边界框宽度w和高度h用图像宽度和高度归一化。因此(x, y, w, h)都在0和1之间。
2. 置信度得分(box confidence score) C ：预测框包含一个目标的可能性(objectness)以及边界框的准确程度。类似于Faster R-CNN中是前景还是背景。由于有两个边框，因此会存在两个置信度预测值。
3. 类别概率：由于YOLOv1使用的PASCAL VOC数据集一共有20个物体类别，因此这里预测的是边框属于哪一个类别。

注：一个cell预测的两个边界框共用一个类别预测， 在训练时会选取与标签IoU更大的一个边框负责回归该真实物体框，在测试时会选取置信度更高的一个边框，另一个会被舍弃，因此整张图最多检测出49个物体。

四、损失函数的组成和计算

YOLO使用预测值和真实值之间的误差平方的求和（MSE）来计算损失。 损失函数包括坐标预测损失（localization loss），置信度预测损失（confidence loss），类别预测损失（classification loss）。公式示意图如下：

坐标预测损失：对S×S个网格以及每个网格的B个预测框进行求和，分别对两部分：坐标中心误差和位置长宽的误差进行求和。注意对长宽的求和使用的平方根的方法，原因是对不同大小的bounding box预测中，对于小bounding box的预测更加敏感，因此将bounding box的w和h取平方根代替原本的w和h。式中的${\lambda }_{coord}$为坐标损失的权重系数，在PASCAL VOC数据集训练中取5。

置信度预测损失：置信度是针对预测框bounding box的，由于每个网格有两个bounding box，所以每个网格会有两个置信度与之相对应。置信度损失分为两部分，含有object和不含有object。若预测框内含有object，则置信度为1，反之置信度则为0。对没有物体的预测框的置信度损失，赋予小的损失权重（loss weight）${\lambda }_{noobj}$，在PASCAL VOC数据集训练中${\lambda }_{noobj}$取0.5。对于含有object的预测框，权重为1。

五、YOLOv1的优缺点分析

优点：

1. YOLO检测速度非常快。标准版本的YOLO可以每秒处理 45 张图像；YOLO的极速版本每秒可以处理150帧图像。
2. YOLO 实时检测的平均精度是其他实时监测系统的两倍。

缺点：

1. 每个网格只有两个预测框，且可选择的长宽比较为单一，当物体的长宽比不常见(也就是训练数据集覆盖不到时)，效果较差。
2. 因为YOLOv1的输入图片只划分为7x7的网格，所以当两个物体靠的很近或者群体检测时，效果比较差。
3. 因为每个网格只对应一个类别的检测，容易出现漏检现象(object没有被识别到)，并且无法解决物体重叠时的问题。

引用参考：
1.https://blog.csdn.net/wjinjie/article/details/107509243
2.https://blog.csdn.net/frighting_ing/article/details/123450918