YOLO系列文章阅读--yolov1

Introduction

YOLO将目标检测重新定义为一个单一的回归问题，直接从图像像素出发进行边界框位置判定和类别的分类。您只需一次(YOLO)的图像，以预测什么对象出现和它们在哪里。

YOLO只是单独的使用一个卷积网络，同时预测多个bounding boxes 和每个boxes类别可能性。

这里提一下和R-CNN等的不同

R-CNN方法，首先在图像中生成潜在的边界框，然后在这些潜在的框上运行分类器。分类后进行后处理，细化边界框，消除重复检测（类似于IOU什么的），并根据场景中的其他对象重新打分。这些复杂的方法速度很慢，很难优化，因为每个单独的组件必须单独训练。

算法思想

YOLO将输入图像划分为S × S网格。如果对象的中心落在网格单元格中，该网格单元格负责检测该对象。每个网格会预测　B　个bounding boxes,和这些网格的置信度。这些置信度分数反映了模型对boxes是否含有对象的分数，以及它认为boxes预测的准确性。
这里置信度打分公式为：

没有物体在这个cell 里面的话，分数应该是0。
每一个bounding box 需要预测5个值：x，y，w，h，confidence。其中，(x, y)坐标表示相对于网格单元格边界的方框中心。xywh都是相对大小（0~1）。

在测试的时候将类可能性的条件概率和box的置信度相乘。

网络结构

网络结构以GoogLeNet为基础，24个卷积层接着是2个全连接层，使用3x3卷积后跟1x1卷积（这里1x1 卷积层减少了前一层的特征参数量）

LOSS函数

表示obj这个物体在cell i 中；

表示在cell i 中的第j个bounding boxes预测器来做这个预测；
损失函数仅在网格单元格中存在对象时才起作用(因此前面讨论了条件类概率)。

大概就是，在原有的模型中，在yolo里不把框的位置和类别的置信度等同的考虑计算。

1. 增加边界框坐标预测的损失；
2. 减少了不包含物体的预测框的置信度损失；（此外，在每张图像中，许多网格单元格不包含任何对象。将这些单元格的置信度推至零，通常压倒了包含对象的单元格的渐变。这可能导致模型不稳定，导致训练在早期偏离。）

长宽的根号的原因是：大box里的小偏差应该比小box的影响小

YOLO的优点

• 快。因为直接把检测问题视为回归问题。在某版本上甚至可以达到150fps；
• 在预测时会对整张图片进行预测。不同于滑动窗口和预选区域的方法，YOLO在训练和测试期间直接覆盖整个窗口。它隐式地获取关于类别及其外观的上下文信息；
• YOLO可用于多种对象的检测。

YOLO的缺点

• 因为YOLO中每个cell只预测两个bbox和一个类别，这就限制了能预测重叠或邻近物体的数量，比如说两个物体的中心点都落在这个cell中，但是这个cell只能预测一个类别
• 此外，不像Faster R-CNN一样预测offset，YOLO是直接预测bbox的位置的，这就增加了训练的难度。
• YOLO是根据训练数据来预测bbox的，但是当测试数据中的物体出现了训练数据中的物体没有的长宽比时，YOLO的泛化能力低
• 同时经过多次下采样，使得最终得到的feature的分辨率比较低，就是得到coarse feature，这可能会影响到物体的定位。
• 损失函数的设计存在缺陷，使得物体的定位误差有点儿大，尤其在不同尺寸大小的物体的处理上还有待加强。(那个开根号也不过是一种工程做法，开根号的做法不一定是最优的)

参考：https://blog.csdn.net/weixin_52185313/article/details/124389180
https://zhuanlan.zhihu.com/p/364367221