YOLO系列详解 目标检测

yolo v1

前言

相比同年的fast-rcnn和ssd都没有优势

详解

• B=2，Pr（Object）为0或者1
• 在v1中没有anchor的概念，预测的xywh是直接预测的box的位置，不像fast-rcnn和ssd中预测的这四个值都是相对我们anchor的回归参数。
• 在预测时，输出的结果既包含了该box为某一个目标的概率，又包含了重合程度，与fast-rcnn和ssd直接预测的目标概率不一样。
  
  Backbone: GoogLeNet with no inception modules

Neck: None

Head: YOLO [fc(1570)->77(52+20)]



存在的问题：

• 对群体小目标效果很差，比如一群鸟。因为对每个cell只预测2个bounding-box，而且属于同一个类别，意味着一次只能预测一个物体,所以导致网络的召回率极低。
• 目标出现新的尺寸的时候，效果差。
• 主要错误的原因就是定位不准确的问题，因为它是采用直接预测box位置，而不是fast-rcnn和ssd预测先对anchor的回归参数。
• 由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。

yolo v2

前言

通过使用voc，imagenet数据集联合训练，能够识别的类别超过9000.

详解

效果：

• 对训练收敛有很大帮助
• 减少所需使用的正则化处理
• 能够提升2个百分点map，帮助正则化模型

• 采用基于anchor 偏移的预测可以简化目标边界框预测，使网络更加容易收敛和学习。

• 使用anchor会使得map小幅度降低，但是召回率会有很大提升，从而意味着模型有更大的提升空间。
  

• 在fast-rcnn和ssd的时候，作者并没有明确给出为什么要采用预测的anchor或者default-box，而是根据工程经验得出的。

• anchor的聚类，采用k-means获取anchor

• 在直接使用基于anchor的方式去训练，在训练前期会特别不稳定，不稳定的主要因素就来自预测x，y导致的。因为xy没有被限制，所以在加上偏移量tx和ty后，中心点可能出现在图像的任意一个地方。

• 解决办法就是对tx和ty进行一个函数限制（sigmoid）。使得xy最终肯定在自己的grid-cell内。

• 使用box聚类和限制txty，带来了5个点的提升。
  
  
  Backbone: darknet19
  Neck: None
  Head: passthrough [conv->1313anchor*(5+20)]

• 77卷机使用33加1 * 1卷机替代。减少计算量小，防止过拟合;网络可以做的更深，更好的提取特征。

• 使用全局平均池化代替fc，适应图像多尺度的输入。
  

• 信息融合：结合更多底层的信息。最后的13x13，去融合26x26的特征图。即passlayer。

• 效果提升1个百分点。

• 多尺度训练
• 每迭代十个batch，就把网络的输入尺寸进行随机的选择，由于v2的缩放因子是32，所以网络的输入尺寸都是32的整数{320，352,…,608},

yolo v3

前言

基本上只是整合了当时比较主流的网络的优点，比如FPN，基本没有太多的创新点。

详解

• 表面darknet与resnet很像，但是仔细看会发现darknet是没有最大池化下采样层的。即用卷积代替池化。

• 卷积核的个数更少，使得参数量和计算量变少。
  
  
  Backbone: darknet53
  Neck: None
  Head: [conv->1313anchor/3*(5+classes)]
  [conv->2626anchor/3*(5+classes)]
  [conv->5252anchor/3*(5+classes)]

• 使用resnet的残差结构，提高特征提取能力。

• 因为提高了提取特征的能力，所以检测头也从1个提高到3个。
  

• 和v2一样

• 正样本：针对每一个gt都会分配一个与之iou最大的bbox。
• 如果预测结果与gt有重合且超过阈值，但iou不是最大，则直接丢弃这个预测结果。
• 剩下的样本为负样本
  

yolo v3 spp

损失

yolo v3中使用的定位损失，差值平方的计算方法，即L2损失（MSE）。

• 考虑到了重叠面积

• 考虑到了两个中心的距离
  

• 在diou的基础上，还考虑到了两个box的长宽比；

• iou这部分可参考：https://blog.csdn.net/leonardohaig/article/details/103394369
  
  
  focal loss可参考：https://www.cnblogs.com/king-lps/p/9497836.html
  

• 对于两阶段的faster-rcnn的正负样本不平衡问题不显著的原因是因为第二阶段使用的achor是第一阶段筛选后的，只有两千个左右，而一阶段的yolo有上万个。

• 降低简单负样本的权重（损失贡献），增加难的负样本的权重。

• gamma=0时退化为CE loss，一般取值2

yolo v4

前言

Yolo 系列的原作者在推出了 YoloV3 后宣布退出 CV 界。俄罗斯的程序员 Alexey Bochkovskiy 凭借自己的摸索复现了 Yolo 系列全部模型，并总结了最接近几年目标检测的各种套路。就在前几个推出了 YoloV4.

YoloV4 将最近几年 CV 界大量的trick 集中在一套模型中。这篇论文不仅仅可以看作是一个模型的学习，更能看成是一个不错的文献总署。更有意思的是作者提出了 backbone,neck,head 的目标检测通用框架套路。

backbone, neck, head 其实非常的形象。它表示组成一个“人”的三个部分。从下到上就是 backbone, neck, head 。

backbone：各类卷积网络，目的是对原始图像做初步的特征提取。
neck：各类结构，目的是从结构上做“特征的融合”。主要为解决小目标检测，重叠目标检测等问题。
head：gd 编码，回归和解析。
YoloV3 就是一个典型的 backbone, neck, head 结构。

详解

Backbone: CSPDarknet53
Neck: FPN,SPP,PAN
Head: [conv->1313anchor/3*(5+classes)]
[conv->2626anchor/3*(5+classes)]
[conv->5252anchor/3*(5+classes)]

yolo v5

Backbone: Focus + CSPDarknet53
Neck: FPN,SPP,PAN,CSP结构
Head: [conv->1313anchor/3*(5+classes)]
[conv->2626anchor/3*(5+classes)]
[conv->5252anchor/3*(5+classes)]

【参考】
b站：霹雳吧啦Wz
csdn：https://blog.csdn.net/lemonbit/article/details/109281590