YOLOV1-目标检测综述

参考：https://www.bilibili.com/video/BV15w411Z7LG?p=4&vd_source=de203b26ba8599fca1d56a5ac83a051c
一、计算视觉解决的问题
主要可以解决：Classification（分类），Localization（定位），Object Detection（目标检测），Segmentation（分割）。

其中分割任务又分为Semantic Segmentation（语义分割），Instance Segmentation（实例分割）。

二、YOLO对于传统模型的优点
（1）无需提取候选区域
（2）无复杂的上下游处理工作
（3）端到端的训练优化
（4）一次前项推断得到bbox定位及分类结果，所以YOLO是单阶段模型。

三、YOLOV1目标检测算法
理解YOLOV1目标检测算法的核心在于：分清预测和训练阶段。

（1）网络结构

YOLO网络首先需要将输入图片缩放至448x448x3的大小，再通过一系列的卷积，池化，全连接层，最终得到7x7x30的块。这里可以粗略的将模型理解成黑盒子，也就是暂时不关心盒子内部具体的网络结构，只需要知道我们输入一张符合要求的图片，最终可以得到一个7x7x30大小的矩阵的就可以了。

（2）YOLO网络是如何预测的

YOLO网络最终要完成的任务是定位+分类。
首先我们来阐述在预测阶段，是怎么对黑盒网络生成的7x7x30的矩阵进行处理的。
①7*7代表我们最终将图片分割为7x7也就是49个方块（如左图所示）。
②一个方块我们叫做Grid cell(网络单元)。
③每一个Grid cell将会预测2个Bounding box(边界框)。每一个边界框需要由4个变量进行定位。
④每一个边界框，都自带置信度，可视化中通过线的粗细来表示。
最终生成的就是如中间上图所示的情况（可视化）。

而每一个Grid cell都还要自带对20种分类结果的可能性大小（类似于回归中的概率大小）。
最终我们可以算出来，一个Grid cell需要有2x5+20=30个变量去定义。
所以这也就是最终输出的7x7x30的矩阵中每一个元素的含义。

（3）预测阶段的后处理
从上述的预测中，我们可以知道，最终我们可以得到98个不同置信度，不同类别的BBox，所以我们最终的任务就是挑选出最好的BBox，删除其他不需要的BBox。所以在预测阶段的后处理中，我们主要进行NMS（非极大值抑制）


上图主要介绍了整个过程，首先我们将负责处理概率的部分拿出来，也就是有98个竖条，分别代表98个BBox,每个BBox中有20个标签的概率。我们要进行如下几步操作：
①设定阈值，将低于阈值的概率置0。
②从高到低排序
③非极大值抑制。

以上图为例，介绍非极大值抑制的过程。
首先将第一大概率和第二大概率的BBox进行IOU对比。IOU的全称为交并比(Intersection overUnion)。如果最后的结果大于某个阈值，我们就认为，这两个BBOX识别了一个物体，这个时候我们就将低置信度的BBox的概率置0。
将第一名和后续所有的对比一轮。再将第二个不为零的与后续的所有进行对比，以此类推。这样就可以得到所有的结果。当然这是对一个类别的操作。
我们需要将所有类别都进行这样的对比，这样最后得到了一个大的稀疏矩阵，将得到的结果可视化就能得到最后的定位和分类的结果。

**这个故事告诉我们的道理是：
①我们要有实力，才能在挑选中幸存下来。
②很多情况下，都是赢者通吃。
③不要动别人的蛋糕太多，否则会被更有实力的人吃掉。 **

（4）YOLOV1是如何训练模型的
在传统深度学习中，训练模型的过程就是使用梯度下降和反向传播方法，不停的迭代网络中的神经元，最终不停的降低损失函数的过程。YOLOV1也是类似的，我们需要有一些已经被分类和定位的图片进行训练。

首先上图中的绿框（gound truth）有一个中心点，而由上面的论述可以知道，一个GC会生成两个BBox，所以要做的就是用这两个BBox中的一个去尽量的拟合这个已经确定好的绿框。而用哪一个BBox去拟合gound truth，这也要用到IOU交并比。这里值得注意的是，剩下的框（这里包含没有被选中的BBox，也包含那些没有被gound truth选中GC所生成的两个BBox)均不会参与预测，但是这并不意味着这些框没有作用，这些框会在损失函数中参与运算。

当然每一个框也包含了这个框所预测物体的标签，所以一个图片中最多能被预测7x7=49个物体，这也是YOLOV1的一些弊端，也就是没法很精准的预测很多小的物体。

如上图所示，YOLOV1的训练误差函数由五块组成，分别是：
①负责检测物体的BBOX的中心点定位误差。
②负责检测物体的BBOX的宽高定位误差。
③负责检测物体的BBOX的Confidence误差。
④不负责检测物体的BBOX的Confidence误差。
⑤负责检测物体的GC的分类误差。
具体的就不仔细解释了。这里有两个简单逻辑，负责检测物体的BBOX，它对应的GC也是负责检测物体的。一个BBOX负责检测物体，则它对应的另一个BBOX就不负责检测物体。

四、YOLOV1的一些问题
在YOLOV1中有一些显而易见的问题，比如：
（1）为什么一个GC要设定两个BBOX，如果只设定一个BBOX，然后让他去拟合gound truth不就行了吗？
（2）在预测阶段中，最初始的框是怎么生成的？
……
这些问题都将在YOLOV2中得到解释。