YOLO算法系列之YOLOv1精讲

目录

YOLOv1网络结构

YOLOv1输入与输出映射

YOLOv1损失函数

坐标损失函数

置信度损失函数

类别损失函数

总结

---

大家好，我是羽峰，今天要和大家分享的是YOLOv1算法. 本文有文字和视频，感兴趣的话可以看视频，视频在我主页能找到，可能视频讲的更细。

YOLOv1算法是YOLO系列算法的基础，理解YOLOv1可以更好的理解YOLO系列算法。希望通过本文的讲解，能帮助你更好的理解YOLO系列算法。

YOLOv1网络结构

首先我们要理解的是yolo的网络结构，如图1所示，其实网络结构比较简单，就是简单的CNN网络，池化操作，以及全连接网络。我们主要理解输入与输出之间的映射关系，中间网络只是求取这种映射关系的一种工具。网络的输入是448*448*3的一个彩色图像，而网络的输出是7*7*30的多维向量。下面我们将详细的来解释这种映射关系，这种映射关系也是YOLOv1的根本。

                                                                                                 图1 YOLOv1网络结构

YOLOv1输入与输出映射

YOLO的输入与输出如图2所示，左边是一张图片，中间的圆形可看作是目标物体，当图片输入到网络中，YOLOv1首要做的是将图片分成7*7的网格，从中间图像中可以看出，红色代表的是网格，蓝色代表的是目标物体的中心，然后黄色代表的是真实的物体边框。这里有个最重要的一个概念就是：当物体中心落在某个网格中心时，那么这个网格就负责预测这个物体，这是yolov1的一个基础。每个网格预先都会生成两个预测框，这样YOLOv1一共生成7*7*2=98个预测框，相比于faster rcnn 成百上千的预测框来说，YOLO的预测框明显少了很多，这是YOLO非常快速的一个原因。

    每个预测框都会对应一个30维的向量，这30维向量是2*5+20得来的，其中20是20个类别，这里之所以为20，是因为原论文所做的就是对20个物体进行分类。如果我们自己的数据集有n个类别，那么这里的20就可以改为n个类别。然后2代表的是2个边框，因为最开始每个网格会生成两个预测框，而5则代表每个边框中有五个参量，分别是边框的中心坐标（x, y），边框的宽w和高h，还有一个是框的置信度，置信度公式计算如图公式所示，置信度大的那一个预测框就会被选为该网格的预测边框。网络的输出就是7*7*30维的向量，与输入存在一个数学上的映射关系，而中间的yolo网络只是求这个映射关系的一种工具。接下来我们将重点研究一下yolo的损失函数。

                                                                                                      图2 输入与输出的映射关系

YOLOv1损失函数

损失函数大致分为3个部分，第一个是坐标的预测，分别是边框的x, y, w, h。第二个是物体的置信度预测，第三个是物体的类别预测，损失函数与7*7*30维的向量相对应，是求取输入与输出之间映射关系的“数学表达式”。

                                                                                                    图3 YOLOv1的损失函数

坐标损失函数

首先我们看一下坐标损失函数，如图4所示。每个参数的意义如图所示，之所以采用根号来计算物体的长和宽，是因为根号后的大物体的长宽损失与小物体的长宽损失相近，这样整个损失函数不会被大物体所操纵。若不采用根号计算，那么大物体的损失要比小物体损失大很多，那么这个损失函数会对大物体比较准确而忽略了小物体。公式前的系数是一个超参数，这是设置为5，因为物体检测过程中，我们所要检测的物体相对与背景来说要少的很多，所以加入这个超参数是为了平衡“非物体”对结果的影响。

 

                                                                                             图4 坐标损失函数

置信度损失函数

置信度的损失函数如图5所示，每个参数的意义如图所示，这里为什么要加入“非物体”的置信度呢，是因为网络要想学习分类n个物体，那他实际要学n+1个类别，那多出的“1”是背景或者就是真实意义上的非物体，这一类是占有很大一部分比例的，所以必须要学习这一类，才能保证网络的准确性。那这里为什么要在“非物体”的置信度前边加上超参数呢？也是因为我们所检测的目标物体相对于“非物体”是很少的，如果不加入这个超参数，那么“非物体”的置信度损失就会很大，所占权重比较大，这样会导致网络只学习到了“非物体”特征，而忽略了目标物体特征。

                                                                             图5 置信度损失函数

类别损失函数

最后则是类别损失函数，如图6所示，类别损失是一个很粗暴的两个类别做减法，这是YOLOv1不可取的一部分，当然后续就改掉了。

                                                                                         图6 类别损失函数

总结

最后我们来做个总结，YOLO的优点就是速度快，YOLOv1缺点也很明显，

1. 对拥挤物体检测不太好：因为拥挤物体的中心有可能都落在一个网格中心，那么这个网格可能就要预测两个物体，这是很不好的。

2. 对小物体检测效果不好，小物体损失虽然使用的超参数或者根号进行了平衡，但小物体的损失占比还是小，网络主要学习的还是大物体特征。

3. 对非常规的物体形状或者比例，检测效果不好

4. 没有batch normalize.