YOLOV1论文小整理
文章目录
- 前言
-
- 作者简介
- 算法简介
- V1网络结构
- 识别过程
-
- 卷积部分
- grid cell
-
- 单元格存储信息
- 边框
- 后处理阶段
-
- 对边框处理
-
- IOU
- 比对流程
- 训练过程
-
- 损失函数
- 总结
前言
为了更好地阅读源码，在进入源码阅读阶段必须先进行理论探究，之后才能结合工程干活。所以本次也是参考了众多大佬的视频，博客进行一个总结。我们先从初代版本V1开始，主要是第一篇论文不多，那么这里主要是关于这个神经网络的一个结构，它后面的一个具体的一个工作流程，这部分主要是分两个部分，一个是训练部分，还有一个是识别部分。这里咱们主要是对整个流程做一个了解分析。
相关资源链接如下：
https://arxiv.org/pdf/1506.02640.pdf
参考大牛文章如下：
https://blog.csdn.net/shuiyixin/article/details/82533849
https://www.cnblogs.com/makefile/p/nms.html
作者简介
这个是相当牛皮的大佬，负责编写了V1，V2，V3 不过后面由于，美国军方曾将YOLO智能识别技术用于军事武器开发，所以他后面退出了计算机视觉方面的研究和工作，所以从后面的V4到V6都是由继任者完成的维护，升级。是一个相当有责任担当且水平超高的大师。
算法简介
这部分是论文里面的
总之这玩意是一个很厉害的计算机视觉识别算法。
那么我们想要去解读这篇文章的目的主要是为了搞清楚，这个YOLO网络的工作过程 。前面通过这三篇博文大家应该是对神经网络有很多的了解了。
啊哈~花一天快速上手Pytorch（可能是全网最全流程从0到部署）
GitHub 水项目之 快速上手 YOLOV5
YOLOV5 参数设定与模型训练的坑点一二三
V1网络结构
相信你已经看过了前面三篇文章（里面有关于CNN神经网络的快速理解与入门CIRAF10实战搭建）
所以我们先来简单地看看一看这个神经网络长啥样。
这个就是他的第一代V1的神经网络结构（第五代可能是一个残差神经网络，看代码的时候好像看到了残差结构）
整个过程其实也不是很复杂，整个V1的网络结构还是说，是通过众多的卷积层，池化层，最后得到一个
7 x 7 x 1024 的全连接层，然后经过1 x 1 x 4096 的全连接层 然后最后得到一个7x7x30的连接层。
所以整个过程主要还是一个复杂的卷积池化操作，这个很重要。
看看咱们先前搭建过的CIRAF10
感觉其实也没有复杂到哪里去。无非是 神经节点 增加了不少，训练算力多了N倍罢了。
识别过程
想要梳理整个过程的话，咱们还是从识别的过程来看，因为这个是咱们最直观的部分。
卷积部分
我们先忽略卷积部分，因为这个还是一个建模的过程。
我们只关注最后面的 7 x 7 x 30
也就是说最后面 我们在实际上使用这个模型的时候，输入一张图片，首先这张图片会被缩放成 448x488 的大小 3 是RGB三个通道。最后一通操作得到了 7 x 7 x 30 的玩意。
不过这里的7 x 7 并不是说把一张图片变成7 x 7的像素。
也就是这样的
grid cell
这个玩意就是上面那张图的那个7x7的单元格。
我们最后输出的7x7x30的玩意就是为了后面得到这样的图片
后面通过处理我们才能够得到这样的图片
单元格存储信息
首先我们此时得到的是 7 x 7 x 30
那么我们 每一个单元格里面存储了什么信息？ 为什么这玩意有30个维度？
首先 这里面存储了 两大类信息。
第一个 是 边框信息，起点，宽高，可信度。
第二个是 类别的条件概率，这里主要是20个类。
所以这里首先有20，此外由于边框，这里的话，每一个单元格是预测了两个边框的，所以有10，一共是三十。
边框
现在咱们来看看边框
这里有 49 个 cell 一个 cell 两个边框，一共98个。每一个边框都是以其中一个cell为中心的，然后每一个边框都不一定是在标准的矩形，可能拉的很长，或者很短，但是中心点是在cell里面的。
那么对于这个边框，还有一个可信度，这个可信度我是这样理解的，就是确定这个区域内有物体的概率（边框框起来的）
后处理阶段
ok，现在咱们进入识别的最后一个阶段
就是如何从上面的那张框框如此之多的图片变成这样的
这样的
或者这样的
这部分主要是这样的。
首先咱们还是已经知道了，咱们有96个边框，并且我们知道了每一个cell 不同类别的条件概率。
例如我们预测上面的那个小姐姐。我这里以三个类别举个例子。
那么按照咱们的假设就是输出 7 x 7 x 13 的样子。
那么我们怎么处理呢，首先是先对这个边框 bounding box
对边框处理
我们这里一共有98个边框，每一个边框都有对应的可行度，我们假设是 3 个类别的话，那么，对于每一个类别，我们cell对应的类别的条件概率 x 边框置信度（c）这样一来，我们就知道了每个边框3个类别的概率。20个分类对应的就是20个。
此时我们先计算出全概率
此时我们先对第一类处理
IOU
这里需要引入一个概念，这玩意就是说，两个边框重合的部分。
这个参数呢在V5的detect也是有的
设置越高，图像上的框越多，设置越低，那么只有有重合一点就算一个，那么框就越少。
比对流程
那么接下来我们进入比对流程
此时第一个分类比出来了。
以此类推第二个第三个。
这个时候可能有个问题，为什么不直接选择概率最大的框。
原因很简单
一张图片有两个人物识别怎么搞
论文大概就在这部分
训练过程
说完了 这个识别过程终于到了训练过程。
这个过程其实还是相对简单的。
我们可以对比我们一开始的线性回归模型
这玩意其实也算个神经网络，只不过上面只有两个连接层，一个输入，一个输出，然后是损失函数，反向传播。训练只需要正向传播，然后通过结果拿到值，然后处理（NMS）
本质上，我们这个是一个拟合的过程嘛。
如何拟合呢，首先确定一点，训练也好，预测也好，
在一通操作之后最后输出的都是 7 x 7 x 30的玩意。
我们喂给神经网络的是打标好的图片。
也就是这样的。
把标签打在图片上。
训练的时候，就是那个蓝色的矩形中心对应的cell去拟合，每一个cell有两个边框，让边框最大的（最接近你标注的边框的边框）去拟合计算。另外一个就那样吧。
损失函数
知道了咱们拟合训练的过程，那么接下来就是那啥，损失函数。
总结
说到这里其实只是到了论文的3,4页左右。不过后面的东西，都是老套路，前面提出我的观点，然后论述我的模型，内容，工作机制。后面是优缺点，对比，分析，然后是实验数据，这部分咱们就不看了，主要是为了搞清楚大体流程。
那么这里是关于YOLOV1的内容，明天去啃V2的。