品读YOLO（一）

本节将介绍YOLO，并穿插如何自己搭建网络的知识。本文章除了有特别标注的图片外，其他图片均来自论文。

原论文URL： https://arxiv.org/pdf/1506.02640.pdf

在物体检测领域中，YOLO（You only look once）是一个有名和常用的神经网络。
原因是：
1，运行速度快，能接近实时地把物体的类别以及位置识别出来。
2，精度相对高，对于只需要知道物体类别以及位置，而不追求物体的具体形状时，是一个很适合的解决方案。

输入与输出

在介绍YOLO之前，或者说搭建网络之前，首先我们要明确我们的目标，这对我们理解YOLO的结构或者自己搭建网络有很大帮助甚至决定性作用。
目标有三个：
1，找出物体的位置。可转化为（x，y）坐标。
2，判断物体的类别。可转化为一个长度等于类别数C的数组，每个数字代表一个类别。
3，判断物体在图像中的大小。可转化为（h，w），也就是矩形的长和宽。

所以，这里我们可以初步确定输出的数据是怎样的。
输出为一个形状为2（坐标）+20（类别数）+ 2（长宽）的张量（tensor）。

然后，我们要确定输入数据。这个是按照自己的喜好来定的。
首先，我们输入的是一张图片作为输入数据。
如果按照YOLO论文的思想，为了能检测出物体的位置以及大小，作者对输入数据的图像进行了分割。把输入图像分割成7X7小块图像，然后每一小块图像对应一个物体类别。
也就是我们要对7X7张小图像进行分类操作，判定该小图像上是否存在物体，如果存在，物体是哪个类别。
这里我们可以看一下论文的标注图。

确定输入后，我们需要诱导AI往哪个方向学习。也就是要准备目标数据集。
输入数据集加上这个目标数据集合起来就是我们常说的训练数据集。
如果是分类操作，目标数据集就是标签（label）。
如果是生成图像，目标数据集就是目标图像。

在YOLO的论文里，它的目标数据集是Imagenet ，这个数据集包含了标签，所以我们只需要对神经网络进行诱导，让它输出的结果与目标数据尽可能地一致。

在检测物体时，我们不想在图片中只检测出一件物体，所以论文里面引入了box的概念以及信任指数confidence，box其实就是一个一个的方框，而confidence就是一个分数，用于确定是某一类，该物体是否落在box内以及这个box是否很好地框住物体。由于每个box对应信任指数confidence以及长宽h，w和坐标x，y。所以一个box对应的数据形状为（2+2+1）boxnum+classnum。而在YOLO的论文中，每一个小图像里面包含有2个box，每张图片包含7X7个小图像，所以我们需要把输入图像从形状（ho，wo，co）卷积成（7X7X30）。这里boxnum是2，classnum是20。
训练完毕后，我们就可以利用这里7X7X30个参数来对图像进行标注了，因为这些参数都有各自的意思。

搭建网络

这里我们可以直接看一下原论文的网络结构，我们可以注意一下输入与输出的关系。

期间如何卷积是由我们自己决定的，论文里面给出的结构是作者们试到的或者计算到的最佳结果。但是由于神经网络的计算量过于庞大，网络的前后影响很难经过人类计算明白，所以一般多尝试各种结构。这也是现在深度学习的弊病之一，网络像是黑盒子。

确定损失函数

确定好神经网络的输出后，我们需要订立一个诱导机制，或者说惩罚机制，也就是我们常说的损失函数（loss function）来对神经网络进行诱导，让它向我们所需要的效果方向努力进行学习。

损失函数可以理解为误差函数，也就是计算出神经网络所输出的结果与目标的差异。

最简单的损失函数有l1loss，也就是目标值与输出值（x-y）进行相减。但是l1loss有可能为负数，导致结果离散，所以可以对它取绝对值。

其他常用的损失函数有l2loss和交叉熵（cross-entropy）。

l2loss就是欧氏距离，我们数学课上经常遇到的两个数相减取平方(x-y)^2，这个损失函数计算容易，也能防止离散问题，所以比较受欢迎。YOLO也用到了l2loss。

摘自维基百科

交叉熵经常在分类问题中采用。公式是这样的。在分类问题中，研究者经常采用softmax-crossentropy。也就是softmax交叉熵。softmax是一个在概率论里面比较常用的归一化只是函数，公式是这样的，它能够把一堆数字进行归一化，让它们全部相加等于一。所以一堆数字通过softmax进行变换之后，它们会变成变成一堆像是概率的数字，例如第一类的概率是0.32…经过softmax后取交叉熵，是因为softmax的结果看上去也是一堆离散的数据，我们可以用交叉熵对输入和输出进行计算距离。在离散数学里熵是代表一堆数据的离散程度。熵越大，数据分布约均匀，也就是越混乱。所以熵越小，也就是loss越小，我们的训练效果越好。

至于我们要选择哪一种损失函数，也是可以靠我们去多尝试的。l2loss跟交叉熵的主要区别，我们可以从它们的函数性质可以看出来的，-log函数相对于x^2 函数在0，1区间里面更加陡峭，
所以交叉熵一般能比 x^2 函数更加接近0，这个大家可以试一下。

引用：x^2函数来源于谷歌，log2函数来源于维基百科

扯远了。

现在回到yolo，yolo的损失函数用到了l2loss，我们可以看一下它的损失函数公式。

我们可以看到，损失函数里面全是l2loss，其中第一行为坐标的误差，第二行为box的大小的误差，第三行为第一个box所对应的类别误差，第四行为第二个box所对应的类别的误差，第五行为信任指数的误差。

挑选适配器

确定好损失函数后，其实我们就可以直接进行训练了。用反向传播方法来进行循环，就可以逐渐降低loss，但是这样的效率会比较低。所以我们一般还会使用适配器，也就是optimizer。

适配器的作用是利用梯度下降算法的特点来加速训练，这个的详细解释现在先跳过，因为我这里还没有系统学习过。
常用的适配器有SGD和ADAM。
SGD训练速度较ADAM慢，但是效果会比ADAM好一点。而ADAM的训练速度快，效果也不错，所以现在很多网络训练时都使用。

选择好适配器后，就可以开始训练啦……

YOLO总结

1，YOLO的目标是物体检测，所以它的输出包含了坐标，类别，box大小等信息。
2，从结构上来看，YOLO是一个非常标准的CNN网络。
3，从损失函数上看，YOLO的损失函数也是很直观的l2loss。

搭建网络总结

1，首先明确目标，确定输入输出是什么。
2，搭建网络，让输入与输出能有一个明显的映射关系。
3，确定惩罚机制，也就是损失函数。损失函数的种类多种多样。
4，挑选适配器。

后话

想要训练一个足够好的网络，还需要多次尝试和调超参数。如何调参也是一门技术活，下次有机会写写。还有就是如何根据想法搭建网络，下次有时间也写写。