YOLOV1要点总结

YOLOV1论文要点总结

写在前面
YOLO作为目标检测领域重要one-stage的模型，从提出之初就受到广泛关注，现在基于YOLO的version层出不穷。本博客作为本人学习笔记，依照YOLOV1原论文总结了YOLOV1的模型要点。本博客主要从其思想、模型搭建、损失函数以及其缺点等展开总结。本博客中YOLO均指代YOLOV1。
学习视频点击此处

---

---

一、主要思想

1. 分类还是回归？

YOLO的作者认为，当时主流的目标检测模型是以各种“Classfier”为核心的。例如DPM使用滑窗在整个图片上均匀探测目标；R-CNN使用候选兴趣区域，有针对的对图片局部进行卷积提取特征并分类等。YOLO则将目标检测问题视为“Regerssion”问题，在空间上分离了b-box并结合了类别概率。

2. One-stage，快！

YOLO不像R-CNN家族的two-stage策略，它仅需训练的单个task，便能得到待检测物体的cls与b-box信息。是一种端到端的学习。one-stage的策略造就了YOLO快的特点，基础网络可以跑到45fps，更快的fast版本甚至可以达到150fps，并且在实时视频处理上有低的延迟。

3. 总揽全局：You Only Look Once

YOLO不像DPM以及R-CNN等一次只关注某个局部特征，它看到的是整张图片。就像人一样，只需看到整张图片一眼，就能分辨出图中的目标。看到整张图片代表YOLO对整个图片隐式编码，论文证实这有效的降低了背景识别的错误率。

---

二、模型架构

1. Grid网格划分

模型先将输入的图片划分为SxS个cell，在训练阶段，若目标的GT b-box中心点落入一个grid，此cell则负责这个目标。这点将在损失函数部分作为重点辨析概念。原论文设置S为7。

2. 每个网格cell的预测

每个网格经过网络，输出三种数据：B个b-box数据；B个confidence置信度数据；C个类别概率。 原论文分别设置为2, 20。

（1）b-box数据包含{x, y, w, h}，均为相对偏移坐标。x, y是相对于网格的偏移；w, h是相对于整张图片的偏移。偏移量使用归一化操作得到，均在0-1范围内。

（2）confidence置信度用于衡量网络对对应b-box的相信程度。 confidence数量与b-box数量一致且相对应。具体计算方式为：

$$Confidence=Pr(Object)\ast IO{U}_{pred}^{truth}$$

等式右边第一项为0-1函数：若此grid里没有负责任何目标，则为0，即confidence也为0；否则则为1。第二项则是预测出的b-box与GT b-box的IOU值。作者希望有目标的grid里，confidence代表网络预测的b-box框住GT的能力。

（3）类别概率为该grid对于其负责的目标分类的概率。 其总是一个C维的向量，与b-box数量B无关。

则每张图片最终输出tensor维度为：S x S x (5 * B + C)。 即为7 x 7 x 30。 这是对于PASCAL VOC数据集的设置。

3. 网络设计

（1）预训练部分网络

结构图中前20个conv层预先在ImageNet 1000-class 比赛数据集上预训练。模型需要稍加修改为20conv层 + avg pooling layer + FC layer 去预训练。预训练输入图片大小为224x224。正式训练输入图片大小为448x448。作者解释为：检测task需要更细粒度的info，所以使用了更大的图片输入size。

（2）激活函数

除最后一个FC层外，其余层激活函数均使用使用Leaky ReLU。具体参数如下：
$$\varphi (x)=\{\begin{array}{rcl}x,& & ifx>0\\ 0.1x,& & otherwise\end{array}$$
最后一个FC层使用线性激活函数。

（3）主要结构

conv部分有24个卷积层，有s-x的代表卷积步长设为x。具体参数如图中所示。网络还包含了4个max pooling层，皆将图片下采样为一半size。
主结构包含2个FC层。第一个FC层先进行了flatten操作再计算，最后一个FC层先计算再反flatten为7x7x30的tensor作为输出，tensor大小适用于PASCAL VOC数据集。

---

三、损失函数

损失函数包含三个部分，皆采用平方和损失，即：

$$Loss=Los{s}_{b-box}+Los{s}_{confidence}+Los{s}_{cls}$$

分别对应图中第1-2, 3-4, 5行。各字母所代指概念前文大部分已提到，只需注意带hat的为GT值，$p_i(c)$为第i号cell在类别c上的分类预测概率。注意：此损失函数为计算单个类别物体loss的公式，并非网络总loss。

1. $Los{s}_{b-box}$ 损失

$Los{s}_{b-box}$ 衡量bbox的预测准确程度。$1_{ij}^{obj}$ 代表只计算对存在目标的i号cell负责的j号bbox的loss。这里bbox长宽参数先开了平方再进行计算loss的原因是：为了使不同尺寸bbox对于同等数值上的偏移应有不同的影响结果（这里有详细解答）。

2. $Los{s}_{confidence}$ 损失

$Los{s}_{confidence}$ 衡量confidence值的预测准确程度。同样的，$1_{ij}^{obj}$ 代表只计算对存在目标的i号cell负责的j号bbox的confidence的loss，但$1_{ij}^{noobj}$ 代表只计算不存在目标的i号cell负责的j号bbox的confidence的loss。还需要注意的一点是：由confidence的定义公式，$1_{ij}^{obj}$ 对应的confidence GT值为1，$1_{ij}^{noobj}$ 对应的confidence GT值应该为0。即无目标的cell按照公式计算的confidence GT值就该为0。

3. $Los{s}_{cls}$ 损失

$Los{s}_{cls}$ 衡量各类别概率预测的准确程度。$1_i^{obj}$ 代表只计算存在目标的i号cell上各类别预测概率的累加loss。对于此类别的GT概率值采用one-hot编码，即只有一项为1，其余为0。

4. 惩罚项 ${\lambda }_{coord}$ 与 ${\lambda }_{noobj}$

${\lambda }_{coord}$ 用于调整$Los{s}_{b-box}$ 与 $Los{s}_{cls}$ 的平衡。作者认为两者维度不匹配（前者维度为4 * B，后者维度为C），所以需要惩罚项平衡。原论文实验中此项设置为5。
${\lambda }_{noobj}$ 用于调整$Los{s}_{confidence}$ 两项内部的平衡。作者发现一张图片中许多cell并未包含任何目标，所以需要平衡有目标与无目标loss之和。原论文实验中此项设置为0.5。

---

四、训练细节

• 数据集：PASCAL VOC 2007&2012，类别数为20
• 输入：resize为448x448x3的RGB图片
• 输出：7x7x30的tensor
• Optimizer : SGD with batch=64、momentum=0.9、weight decay=0.0005
• Epoch：135
• Learning rate scheduler :

Epoch	Learning Rate
First epochs	10-2 ~ 10-3 ，预热
~ 75	10-2
76 ~ 105	10-3
106 ~ 135	10-2

• Dropout : 在第一个FC层后使用p=0.5的dropout
• Data augmentation : 对图像随机缩放和平移，最大可达原始图像大小的20%；调整图像的曝光和饱和度，将其随机调整到HSV颜色空间中的1.5倍

---

五、优点与缺点

1. 优点

• 快且准确率不俗
• 迁移到其他任务的能力强

2. 缺点

• YOLO对相互靠近的物体，以及很小的群体检测效果不好。这是因为一个网格只预测了B个框，并且每个cell都只属于同一类，只有一个one-hot类别概率tensor。
• 在w，h的损失上的处理并未完全解决问题，只是一定程度上缓解了不同size的bbox对于相同偏移不平衡的问题。作者提到：特别是针对小物体的预测，YOLO还有待加强。YOLO出现的主要问题也是bbox的准确度不高。
• YOLO对不常见的角度的目标泛化性能偏弱。