目标检测(object detection)系列（五）YOLO：目标检测的另一种打开方式

目标检测系列：
目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作
目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享
目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练
目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN
目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式
目标检测(object detection)系列（六） SSD：兼顾效率和准确性
目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN
目标检测(object detection)系列（八） YOLOv2：更好，更快，更强
目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言
目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度
目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作
目标检测(object detection)系列（十二） CornerNet：anchor free的开端

目标检测扩展系列：
目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法
目标检测(object detection)扩展系列（二） OHEM：在线难例挖掘

前言：目标检测的另一种打开方式

从时间轴上看，YOLO（YOLO v1）的提出在R-CNN，SPP-Net，Fast R-CNN和Faster R-CNN之后，论文是《You Only Look Once: Unified, Real-Time Object Detection》，从某种意义上说，YOLO的提出，从另一各方面定义了基于CNN的目标检测任务的基本方法。
通过前面几篇文章，我们知道R-CNN，SPP-Net，Fast R-CNN和Faster R-CNN这四个方法都没有离开一个东西，那就是区域建议（Region Proposal），它们中前三个在用SS算法，Faster R-CNN在用RPN网络。不管形式怎么变，它们都需要产生若干个区域建议框，这些框中存在潜在目标，而后面的任务就是判断框中到底是什么（分类），然后修正这些框（回归）。区域建议的生成工作是第一个阶段，后面的处理是第二个阶段，所以我们把R-CNN形式的目标检测方法称为two-stage。
two-stage的方式实现上其实是有些冗余的，比如RPN做了两件事：
1.1 给出若干个区域建议框；
1.2 给出这个区域建议框内是不是有目标的二分类结果，两个类别的置信度。
RPN之后的网络，又做了两件事：
2.1 回归矫正这个框，让他更接近ground truth；
2.2 对框里的目标，具体确定其类别。
这里有一个很有意思的地方，1.1和2.1都是在做四个值的回归，而2.1和2.2都是在做分类，那么它们一定要分成两步才能完成吗？
显然不是这样，YOLO就把它们整合到了一起，一步完成了目标类别的确定和bbox框的回归任务，所以我们把YOLO称为是one-stage的方法。下面我们具体看下YOLO是如何实现的。

YOLO实现

实现思路

对于一个待检测的图像，YOLO会将其平均分成$k\times k$个格子（grid cell），显然这些格子会铺满整个图像，如果图像某个 目标的中心落在这个格子中，则这个网格就负责预测这个目标。这样一来，目标的类别就确定了，那么对于目标检测任务，还剩下一个bbox框，所以每个格子要预测 B 个 bounding box，每个 bounding box 除了要回归自身的位置（bbox框，四个点）之外，还要附带预测一个 confidence 值。 confidence表示当前这个bounding box里的东西，是物体的置信度。
听起来可能有些混乱，我们从网络输出的角度捋一下，格子有$k\times k$个，每个格子都要出B个 bounding box， bounding box就有$k\times k\times B$个，每个bounding box要有4个值表示边界，还要有1个值表示confidence，所以就应该有$k\times k\times B\times \left(4+1\right)$个数，但是还没有结束，对于多目标检测任务，还有一个目标的类别，假设有C类，每一个格子负责一个类别，那么输出应该是$k\times k\times C$，我们把上面两个式子合并下，就应该是：
$$N_o=k\times k\times \left(B\times \left(4+1\right)+C\right)$$
有了这些输出，YOLO就可以完成目标检测这件事了，当然最后它需要一个阈值，确定最后要留下来的框和目标类别。
那么YOLO具体怎么得到的这些结果呢？我们看下它的网络结构。

YOLO网络结构

上面这个东西，就是YOLO的前向推理结构，首先一个尺寸为$448\times 448\times 3$的输入图像，要经过一系列的卷积和全连接层，这个很好理解，最后一层全连接之后的输出$1470\times 1$，后面的东西就值得关注了，它做了个reshape，shape是$7\times 7\times 30$，因为做的是reshape，所以显然这两个数是相等的。那么为啥偏偏是这个形状呢？
这里面的$7\times 7$，就刚好对应了上一部分中的格子（grid cell），我们一直提到的格子，其实就是特征图上的一个点，又因为平均分布的，映射到原图之后，它就是一个格子。为了后面带公式方便，这里说明下$k=7$。
剩下的30是$5+5+20$的形式，也就是$5\times 2+20$，那么B和C自然就出来了，分别是$B=2$，$C=20$。
上图中也对5这个数做了说明，1-4表征bbox框，5表示confidence，需要说明的一点是这个框的表征方式，不管是$(left,top,right,bottom)$还是$(left,top,width,height)$，要表示一个矩形，总是需要四个数，但是YOLO这两种都没有用，主要是为了后面计算loss。

特别说明，上图来自《YOLO文章详细解读》

• $(x,y)$是bbox的中心相对于单元格的offset

对于上图中蓝色框对应的格子(坐标为$(x_{col}=1,y_{row}=4)$)，假设它预测的输出是红色框的bbox,设bbox的中心坐标为$(x_c,y_c)$,那么最终预测出来的$(x,y)$是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下。其中$k$是格子的数量，$w_{img}$和$h_{img}$是图片的宽高。
$$x=\frac{x_c}{w_{img}}k-x_{col}$$
$$y=\frac{y_c}{h_{img}}k-y_{row}$$

• $(w,h)$是bbox相对于整个图片的比例，做了归一化。
  $$w=\frac{w_b}{w_{img}}$$
  $$h=\frac{h_b}{h_{img}}$$

bbox的中心坐标$(x_c,y_c)$，以及与格子的offsets，这些设计都在对应之前提到的“如果图像某个目标的中心落在这个格子中，则这个网格就负责预测这个目标”。也就是说YOLO涉及到类别的预测，只与格子有关，与框无关。
至此，YOLO的前向推理过程就说完了。

YOLO与RPN

我们在前言中提到了RPN，这在里就会发现，YOLO和RPN其实很像。
YOLO在最后reshape出来的特征图上输出bbox，类别和confidence，RPN在最后一层卷积特征图上输出bbox和有没有物体的二分类置信度。
只不过YOLO要一次性直接输出结果，所以置信度上不仅仅是有没有物体，还要加上这个bbox与ground truth的IOU：
$$P_{con}=P_r(Object)\times IO{U}_p^t$$
同样的，YOLO的最后一层输出也不得不加上物体的类别。
YOLO这样设计之后，速度会很快，但是同样也带来了很多问题：

• RPN生成1000多个区域建议，哪怕择优选择之后还能剩下300多个，这些区域建议经过ROIPooling之后都会去做“类别”的判断，而YOLO只在每个格子上做类别的判断，只有49个，即便算上每个格子输出2个bbox，一张图也仅仅98个预测，如果图中的物体多了，这显然是不够的，很容易造成误检。
• YOLO的bbox都在同一层上输出，它们的感受野是相同的，所以YOLO很难去适应各种目标的尺度变化。
• 小目标经过多次下采样之后，在最后的特征图上就会变得很小，所以YOLO的小目标的检测效果很不好（当然这是个通病）。
• YOLO的bbox是没有二次矫正的，所以IOU效果也会变成。
  由于上面几个原因，YOLO的效果在比当时的state-of-the-art差很多，但是这不重要，因为YOLO用另一种方式，打开了目标检测。

YOLO损失函数

YOLO的损失函数有三个，分别是bbox的误差损失，confidence损失和类别损失。

• bbox损失中，如果确定了一个bbox要负责预测，那么要分别计算中心点、宽高与ground truth的L2距离，由于小目标的小偏差造成的损失可能会比大目标的大偏差还要打，所以宽高分别加了根号。
• confidence损失也由两部分组成，因为如果格子中没有目标，那么这部分会变成0，这样会造成损失变化过大，所以部分选择乘上了系数${\lambda }_{noobj}$；
• 最后格子有目标时，要做类别的损失。
  
  特别说明，上图来自《YOLO文章详细解读》

YOLO性能评价

我们只关注红框的就好了，DPM现在被比较已经没什么意义了，而Fast R-CNN还带着SS算法。

• YOLO和Faster R-CNN用同样的VGG16主干网络，FPS要快3倍，但是mAP下降了7个点
• YOLO可以做到实时检测的网络，mAP下降的更多，只有63.4，但是FPS达到了45