YoloV1学习小总结

1. yolov1特点

1. 将目标检测转化为回归问题，直接从图像像素到边界框坐标和类别概率， 是一个端到端目标检测模型，速度非常快。
2. 网络使用整个图像的特征来预测每个边界框。它还可以同时预测图像中所有类的所有边界框。
3. 将输入图像划分为一个S × S网格。如果一个对象的中心落在一个网格单元中，该网格单元负责检测该对象。
4. 对于小物体检测效果不好。

2. 如何进行检测

1. yolov1使用从整张图片提取的特征中去预测每个边界框。
2. 可以同时预测所有类别的所有边界框。
3. yolov1把图片分成$S\times S$的网格，如果物体的中心落在其中的一个网格上，那么这个网格就负责预测这个物体。
4. 每个网格预测$B$个边界框，还有这些边界框的置信度得分，置信度反映了这个模型预测的边界框包含物体还有预测的的准确率。
5. yolov1定义了置信度得分公式：$Pr(Object)\ast IO{U}_{pred}^{truth}$， 其中$Pr(Object)$表示是否预测框是否包含物体，$IO{U}_{pred}^{truth}$表示真实框和预测框的IOU。
6. 每个边界框有5个预测值：$x,y,w,h$和置信度。$x,y$表示的是中心坐标，是相对于每个单元格左上角的坐标的偏移量，$w,h$是预测框的宽高，是相对于整个图片而言的，因此$x,y,w,h$ 理论上的范围是[0, 1]之间的。
7. 每个网络还要预测 $C$ 个条件类别概率，即 $Pr(Clas{s}_i|Object)$。
8. 在测试时，将条件类概率与边界框的置信度预测相乘，得到每个边界框的类别置信度得分，这些分数编码了该类出现在框中的概率以及预测框适合的程度。公式为：$Pr(Clas{s}_i|Object)$ * $Pr(Object)\ast IO{U}_{pred}^{truth}$ = $Pr(Clas{s}_i)$ * $IO{U}_{pred}^{truth}$

3. 网络的设计

yolov1采用卷积神经网络来进行特征提取，网络结构是受到GooleNet模型设计的。yolov1有24个卷积层，还有2个全连接层，yolov1使用了1 x 1卷积减少通道数 + 3x3 卷积的结构代替了GooleNet的Inception结构，其中激活函数采用的是Leaky ReLU。最后输出的是7 x 7 x (20 + 2 x (4 +1))的预测维度。其中7 x 7代表的是分成7 x 7的网格，20代表的是PASCAL VOC数据集有20个类别，2代表每个网络预测2个边界框，4代表 $x,y,w,h$ 的四个值，1代表置信度得分。

4. 损失函数

因为yolov1采用的是均方差损失函数。

其中，${\lambda }_{coord}=5$, ${\lambda }_{noobj}=0.5$，边界框的损失中的 $I_{i,j}^{obj}$ 指的是第 $i$ 个单元格存在目标，且该单元格中的第 $j$ 个边界框负责预测该目标，$I_{i,j}^{noobj}$则表示不包含物体。

6. 代码演示

代码来自以下大神
网址：https://www.maskaravivek.com/post/yolov1/

7. 数据集下载

VOC2007数据集
链接：https://pan.baidu.com/s/1mhk3OItyGt5CuRcX8Nj3cw
提取码：a697