YOLO系列学习（YOLOv1）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Bernice_lying

# YOLO：You only look once#

     方法如其名，仅需看一次图像，即可预测存在的物体和相对应的坐标位置，它追求“秒识”体验，有着“fast & accurate”的检测表现。它的建模思想是将检测问题转化为回归问题。

官方源码： http://pjreddie.com/yolo/

下面将介绍YOLO系列第一部YOLOv1：

## YOLO-v1
【参考】

1. https://blog.csdn.net/qq_14845119/article/details/53612362
2. https://blog.csdn.net/hrsstudy/article/details/70305791（图文详细解说）
3. https://zhuanlan.zhihu.com/p/24916786?utm_source=qq&utm_medium=social 
   

【主要思想】

      使用来自于完整图像的特征来预测每一个bounding box，也就是在一张图像上完成所有bounding box对于所有class的预测。

图1 YOLOv1检测网络结构

【网络设计】

1. 卷积层实现特征提取，全连接层实现输出类别和坐标预测；
2. 共有24层卷积网络+2全连接层；
3. 网络模块参考GoogLeNet网络Inception结构，但仅使用1×1压缩层+3×3卷积层组合模块；
4. 网络输出7×7×30的张量用于最终的分类和位置预测。
5. 卷积层和使用Leaky rectified linear activation(LReLU)激活函数：

if x>0, g(x)=x, g(x)=0.1x for else;

【技术细节（检测部分）】

图2 图像网格化示意

      在特征提取网络获取全图特征信息后，会得到一个大小为M×N的特征图，我们对这张特征图进行网格化，变成S×S的网格形式，如上图2所示。并且将每个 真实物体的中心落在其中一个 cell中心点，也就是让这个cell来负责这个物体的检测（体现一种grid和object的一一对应关系）。那么每个cell具体是如何预测的呢？

      每个cell的预测内容：
（1）B个bounding boxes，包含box的坐标预测和置信度预测。
      坐标预测包含box的中心点坐标(x,y)，它们的度量相对于grid cell边界而言，和宽高w,h，它们是相对于整个图像而言度量的。
      这里的置信度指的是box包含一个物体且这个box预测的有多准的程度，即Pr(Object)*IOU_truth&pred。若cell中不存在物体，置信度得分为0，否则将等于预测的box和任一存在的真实标注之间的IOU值。

（2）C个条件类别概率，即Pr(Class_i|Object)，它表示当cell存在一个物体时，这个物体为第i类的条件概率。
      在测试时，将使用条件类别概率与box置信度的乘积结果来获得一个类别敏感的置信度得分，它既包含bounding box预测的类别概率信息，又包含是否存在object和位置预测的准确度信息：

综上，整个S×S的grid进行的预测应为：S×S×（B×5+C），以张量形式保存，论文中S=7,B=2,C=20(PASCAL VOC),因此最终预测是7×7×30。

图3 网格化张量预测

图4 张量示意

图5 类别预测示意

图6 全图类别预测示意

这里大家可能会有一个疑问：B个bounding boxes的预测能力，即到底能预测几个，并且物体类别时不一样还是一样的？
博主的答复：一个cell既然给定了B个bounding boxes，那么就可以支持B个物体的预测，但是这B个物体必须是同一类的。为什么？因为一个cell智能得到1×30的张量，张量中的后20个是20个类别，由于类间竞争，这20类得分不同，但是对于这B个不同的boxes，这20个得分都是一样的。无论与B各boxes中的哪个物体存在的置信度相乘，20类中最大值依旧每个bounding box乘积结果的最大值。因此只能预测同一类别。

【损失函数】

损失函数类型：sum-squared error，即均方误差和。

存在的问题：与最大化平均精度不同步

1. 不合理的设定：定位误差与分类误差等权重；
2. 可能大部分cell不包含物体，对应的置信度得分为0，对训练而言，梯度更新受到这类大量的负样本影响，导致训练模型不稳定，或提前收敛；
3. 大小物体的预测也是等权重，这时小box的误差偏差会大于大box的误差偏差；

怎么办（跟上面问题一一对应）？

1. 设置参数lamda_coord=5,增加坐标预测的损失;
2. 设置参数lamda_noobj=0.5，减少不包含物体的box的置信度预测损失；
3. 预测w,h时，用平方根法来替换直接的w,h预测，即预测sqrt(w),sqrt(h)；

图7 不同w,h预测策略对比

      上图像说明的是：在相同偏移量情况下，要让小物体的偏移误差相对大物体大一些，这样才能更加公平。

另外补充：

      bounding box predictor与object之间的一一对应问题：选择与GT的IOU得分最高的一个，作为“负责”的predictor。也就是说，每个predictor能更好地预测certain sizes, aspect ratios, classes of object，并能改进overall recall。

最终的损失函数是一个多部件损失函数：

PS：这张图中第一个篮框坐标预测部分，x,y部分打错了，具体看上一张图的对应部分。

其中，1表示示性函数，对于上标为obj的1示性函数，下标为i指的是物体出现在第 i 个cell中，下位为 ij 指的是在第i个cell的第j个bounding box predictor对预测负责。

注意：损失函数只在cell中存在物体时实行分类误差惩罚，在对存在物体对应的负责的预测器实行定位误差的惩罚。

【后处理】

NMS

图8 NMS操作动图

图9 检测处理后续流程

【优点】

1. 快：将检测问题转化为回归问题，使用单个网络实现目标检测，整个流程包装在一个单网络模型中，实现end-to-end快速检测任务；
2. 避免FP：可充分利用全图信息，在预测时有着充裕的目标上下文信息，而无局部限制，并且与Faster系列相比，背景false positive少；
3. 学的强泛化性特征：能学到高度抽象泛化性的物体表征信息，可迁移到其他邻域中（如艺术品类）。

【缺点】

1. 精度上略低于Faster系列：它使用了多次下采样，选取较粗略的特征来做预测，并且直接基于数据来预测box，对于尺度和长宽比参数泛化性较弱；
2. 空间局限性：一个cell只能预测B个物体，且这B个物体只能是同一类。对于密集物体和小物体检测效果也不佳；
3. 定位效果不够好：大小物体预测时还是等权重的，不可否认的，小物体IOU度量误差会相对大物体小。

【实验结果】

YOLO系列第一部分理解就到此为止，欢迎大家下面提问，YOLOv2和v3接下来在后面的博文中会继续补充。/*2018.04.12*/

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Bernice_lying