YOLOv1解析

@(Aaron) [深度学习, 目标检测]
主要内容包括：

• 网络结构
• 预测细节
• 损失函数

---

  Faster RCNN算法利用了两阶段结构，先实现感兴趣区域的生成，再进行精细的分类与回归，虽出色地完成了物体检测任务，但也限制了其速度，在更追求速度的实际应用场景下，应用起来仍存在差距。

  在此背景下，YOLO v1算法利用回归的思想，使用一阶网络直接完成了分类与位置定位两个任务，速度极快。随后出现的YOLO v2与v3在检测精度与速度上有了进一步的提升，加速了物体检测在工业界的应用，开辟了物体检测算法的另一片天地。

1.1 网络结构

图 1 网络结构

 
  网络结构如上图所示，首先利用卷积神经网络进行了特征提取，该结构与GoogLeNet模型有些类似。在该结构中，输入图像的尺寸固定为448×448，经过24个卷积层与两个全连接层后，最后输出的特征图大小为7×7×30。

  关于YOLO v1的网络结构，有以下3个细节：

• 在3×3的卷积后通常会接一个通道数更低的1×1卷积，这种方式既降低了计算量，同时也提升了模型的非线性能力。
• 除了最后一层使用了线性激活函数外，其余层的激活函数为Leaky ReLU。
• 在训练中使用了Dropout与数据增强的方法来防止过拟合。

1.2 检测细节

  如下图所示，YOLO v1网络在最后输出了一个7×7×30大小的特征图。YOLO v1将输入图像划分成7×7的区域，每一个区域对应于最后特征图上的一个点，该点的通道数为30，代表了预测的30个特征。

图 2 yolov1检测原理图

 

  YOLO v1在每一个区域内预测两个边框，预测框A与B，这样整个图上一共预测7×7×2=98个框，这些边框大小与位置各不相同，基本可以覆盖整个图上可能出现的物体。

  如果一个物体的中心点落在了某个区域内，则该区域就负责检测该物体。上图中真实物体框的中心点在当前区域内，该区域就负责检测该物体，具体是将该区域的两个框与真实物体框进行匹配，IoU更大的框负责回归该真实物体框，在此A框更接近真实物体。

图 2 预测特征30维通道含义

  

  7X7特征图中每个位置预测特征由类别概率、边框的置信度及边框的位置组成，如上图图所示。这三者的含义如下：

• 类别概率：由于PASCAL VOC数据集一共有20个物体类别，因此这里预测的是边框属于哪一个类别。
• 置信度：表示该区域内是否包含物体的概率，类似于Faster RCNN中是前景还是背景。由于有两个边框，因此会存在两个置信度预测值。
• 边框位置：对每一个边框需要预测其中心坐标及宽、高这4个量，两个边框共计8个预测值。

这里有以下3点值得注意的细节：

• YOLO v1并没有先验框，而是直接在每个区域预测框的大小与位置，是一个回归问题。这样做能够成功检测的原因在于，区域本身就包含了一定的位置信息，另外被检测物体的尺度在一个可以回归的范围内。
• 从图6.3中可以看出，一个区域内的两个边框共用一个类别预测，在训练时会选取与物体IoU更大的一个边框，在测试时会选取置信度更高的一个边框，另一个会被舍弃，因此整张图最多检测出49个物体。
• YOLO v1采用了物体类别与置信度分开的预测方法，这点与Faster RCNN不同。Faster RCNN将背景也当做了一个类别，共计21种，在类别预测中包含了置信度的预测。

1.3 损失函数

  通过卷积网络得到每个边框的预测值后，为了进一步计算网络训练的损失，还需要确定每一个边框是对应着真实物体还是背景框，即区分开正、负样本。YOLO v1在确定正负样本时，有以下两个原则：

• 当一个真实物体的中心点落在了某个区域内时，该区域就负责检测该物体。具体做法是将与该真实物体有最大IoU的边框设为正样本，这个区域的类别真值为该真实物体的类别，该边框的置信度真值为1。
• 除了上述被赋予正样本的边框，其余边框都为负样本。负样本没有类别损失与边框位置损失，只有置信度损失，其真值为0。

  YOLO v1的损失一共由5部分组成，均使用了均方差损失，如下式所示：

$$\begin{array}{l}\mathrm{Loss}={\lambda }_{\text{coord }}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{1}_{ij}^{\text{obj }}{\left(x_i-{\hat{x}}_i\right)}^2+{\left(y_i-{\hat{y}}_i\right)}^2\\ +{\lambda }_{\text{coord }}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{1}_{ij}^{\text{obj }}(\sqrt{{\omega }_i}-\sqrt{{\hat{\omega }}_i}{)}^2+(\sqrt{h_i}-\sqrt{{\hat{h}}_i}{)}^2\\ +{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{1}_{ij}^{\text{obj }}{\left(C_i-C_i\right)}^2+{\lambda }_{\text{noobj }}{\sum }_{i=0}^{s^2}{\sum }_{j=0}^B{1}_{ij}^{\text{noobj }}{\left(C_i-C_i\right)}^2\\ +{\sum }_{i=0}^{s^2}{1}_{ij}^{\text{obj }}{\sum }_{c\in \text{classes}}{\left(p_i(c)-{\hat{p}}_i(c)\right)}^2\end{array}$$

总结

  总体上，YOLO v1利用了回归的思想，使用轻量化的一阶网络同时完成了物体的定位与分类，处理速度极快，可以达到45 FPS，当使用更轻量的网络时甚至可以达到155 FPS。得益于其出色的处理速度，YOLO v1被广泛应用在实际的工业场景中，尤其是追求实时处理的场景。当然，YOLO v1也有一些不足之处，主要有如下3点：

• 由于每一个区域默认只有两个边框做预测，并且只有一个类别，因此YOLO v1有着天然的检测限制。这种限制会导致模型对于小物体，以及靠得特别近的物体检测效果不好。

• 由于没有类似于Anchor的先验框，模型对于新的或者不常见宽高比例的物体检测效果不好。另外，由于下采样率较大，边框的检测精度不高。

• 在损失函数中，大物体的位置损失权重与小物体的位置损失权重是一样的，这会导致同等比例的位置误差，大物体的损失会比小物体大，小物体的损失在总损失中占比较小，会带来物体定位的不准确。