YOLOV1算法详述

1.1 背景
yolov1由作者joseph发表在CVPR2016上，是经典的one-stage检测算法。是把bounding box的坐标和宽高像分类网络那样预测出来。是end to end 的一种网络结构，检测速度快。

论文标题: 《You Only Look Once: Unified, Real-Time Object Detection》
论文地址：https://arxiv.org/pdf/1506.02640.pdf

1.2 原理介绍
1.2.1 同时预测多个box位置和类别
1.2.2 端到端的目标检测算法识别
1.2,3 速度快
实现回归功能的CNN并不需要复杂的设计过程
直接选用整图训练模型，能更好的区分背景和目标
1.2.4 图像被分成SxS个格子
1.2.5 包含GT物体中心的格子负责检测相应的物体
1.2.6 每个格子预测B个检测框及其置信度，以及c个类别概率
1.2.7 bbox信息（x，y，w，h）为物体的中心位相对格子位置的偏移及宽度和高度，均被归一化
1.2.8 置信度反映是否包含物体，以及包含物体情况下位置的准确性
置信度的计算公式：
$C=P_r(Object)IO{U}_{pred}^{truth}$
其中$P_r(Object){\in }_{}$ { 0, 1 }
1.2.9 网络使用小卷积，及：1 X 1， 3 X 3 （GoogLeNet)，减少参数及计算量
1.2.10 v1采用GoogleNet 为backbone

1.3 网络结构

整个网络执行流程简单：只需要三个步骤：
（1）resizes the input image to 448 × 448
（2） runs a single convolutional network on the image
（3） thresholds the resulting detections by the model’s confidence.

如上图所示，输入图片被划分为sxs个单元格，每个单元格独立作检测。If the center of an object falls into a grid cell, that grid cellis responsible for detecting that object.

可以通过yolo_v1的structure来进一步理解，相比faster r-cnn那种two-stage复杂的网络结构而言，yolo_v1的网络结构简单多。其基本思想是这样：预测框的位置、大小和物体分类都通过CNN暴力predict出来。

上面是结构图yolo_v1结构图，由24个卷积层，和2个fullly conneced layer 组成，其输出是一个sxsx30的张量，sxs表示把输入图片划分位sxs的网格，每一个小单元的另一个维度等于30。30=(2*5+20)。代表能预测2个框的5个参数(x,y,w,h,score)和20个种类。

输出tensor计算公式：

SxSx(B∗5+C)= 7x7x(2*5 + 20) = 1470

SxS表示网格数量，B表示每个网格生成框的个数，C表示能检测识别的种类。

可以看出输出张量的深度影响yolo_v1能检测目标的种类。v1的输出深度只有30，意味着每个单元格只能预测两个框(而且只认识20类物体)，这对于密集型目标检测和小物体检测都不能很好适用。

1.4 损失函数

yolo是端到端训练，对于预测框的位置、size、种类、置信度(score)等信息的预测都通过一个损失函数来训练。yolo_v1就是选用最简单的SSE作为损失函数,其计算公式如下：

$loss={\sum }_{i=0}^{s^2}coordErr+iouErr+clsErr=$
${\lambda }_{coord}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{l}_{ij}^{obj}[(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2]+$
${\lambda }_{coord}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{l}_{ij}^{obj}[({\sqrt{w}}_i-\sqrt{{\hat{w}}_i}{)}^2+(\sqrt{h_i}-\sqrt{h_i}{)}^2]+$
${\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{l}_{ij}^{obj}[(c_i-{\hat{c}}_i{)}^2]+$
${\lambda }_{noobj}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{l}_{ij}^{noobj}[(c_i-{\hat{c}}_i{)}^2]+$
${\sum }_{i=0}^{s^2}{\sum }_{c\in classes}[(p_i(c)-{\hat{p}}_i(c){)}^2]$

$S^2$表示网格数，在这里是7x7。B表示每个单元格预测框的个数，这里是2。
第一行就方差和( sum-squared error)来当作位置预测的损失函数，第二行用根号总方误差来当作宽度和高度的损失函数。第三行和第四行对置信度confidence也用SSE作为损失函数。第五行用SSE作类别概率的损失函数。最后将几个损失函数加到一起，当作yolo v1的损失函数。

$l_{ij}^{obj}$ 取值为0和1，即单元格内是否有目标。
${\lambda }_{coord}=5$
${\lambda }_{noobj}=0.5$

1.5 网络训练
1.5.1 ImageNet 1000 类数据预训练
1.5.2 使用预训练参数 （20 个conv）来初始化YOLO ，去掉FC层， 并训练VOC20
1.5.3 将输入图像分辨率从224 x 224 Resize到448 x448。
1.5.4 训练时B个bbox的GT设置相同

1.6 优缺点

缺点：
   输入尺寸固定，进入YOLO 检测层，进行最后检测的时候，输入图像尺寸是固定的，没有采用多尺度特征检测
   小目标检测效果差
    每个格子包含多个目标时只预测一个类别（IOU最高）
   损失函数中没有区分大物体和小物体IOU的err,对网络LOSS贡献值的影响。一般来说小物体对LOSS值 影响大
   同一物体出现不常见的不同长宽比时，表现出较差的泛化能力、
   
 优点：
   速度快，在没有使用BN时能达到45FPS
   网络结构简单，是一种end to end 的网络结构
   背景区分度高，能够reasion more  contexture  infomation

1.7 网络性能

1.8总结
v1对于整个yolo系列的价值，即v2/v3还保留的特性，可以总结为3点：
1.8.1 leaky ReLU，相比普通ReLU，leaky并不会让负数直接为0，而是乘以一个很小的系数(恒 定)，保留负数输出，但衰减负数输出；公式如下:
$$y=\{\begin{array}{l}x,x>0\\ 0.1x,otherwise\end{array}$$
1.8.2. 分而治之，用网格来划分图片区域，每块区域独立检测目标；
1.8.3. 端到端训练。损失函数的反向传播可以贯穿整个网络，这也是one-stage检测算法的优势。