YOLO v1

YOLO系列（一）——YOLO v1

---

---

前言

该系列为博主自主学习YOLO系列的自我总结。主要对该系列网络的设计原因，算法原理，模型结构，损失函数及模型优缺点进行学习和分析。

---

一、设计原因

YOLO的诞生是为了解决之前的目标检测网络耗时长的问题，以达到能实时(real-time)进行目标检测。

---

二、算法原理

1、将输入图像分割为S×S个网格
2、在每一个网格中预测B个边界框，每个边界框包含5个值——x、y、w、h、confidence。
3、在每一个网格中也会预测C个类别概率Pr(Class|Object)
4、网络最后的输出为S×S×(B×5+C)

---

三、模型结构

YOLO的模型结构设计灵感来自于用于图像分类的GoogleNet。YOLOv1网络包含24个3×3卷积层，之后连接2个全连接层。与GoogleNet不同的是，YOLOv1采用1×1的归约层连接3×3的卷积层。

---

四、损失函数

YOLOv1将目标检测看成回归问题（即根据先验数据——输入，对下一数据——输出的一种估计），所以采用的是均方差损失函数。YOLOv1的损失函数可分为三个部分：定位误差损失、置信度误差损失、分类误差损失，每个部分采用不同的权值。

定位误差损失

对于定位误差，会采用较大的权值，例如：λcoord=5。根据上图可以看到定位误差采用的是均方误差的计算方法，而对于w，h计算的方法和下x，y不一样，这是因为宽高较小的边框的变化敏感度要大于宽高较大的边框。为了避免这种情况，对宽高
预测改为对其均方根的预测。
i表示第i个网格，j表示第j个边界框，1i,j表示第i个网格存在目标且有第j个边界框预测该目标。

置信度误差损失

对于置信度的预测，要区分包含目标边界框的置信度和不包含目标边界框的置信度。对于包含目标的边界框，其权值要大一些，取1。而对于不包含目标的边界框，其权值要小一些，λnoobj=0.5。

分类误差损失

1i表示第i个网格存在目标。

---

五、优缺点

优点

YOLOv1采用一个CNN网络来实现目标检测，模型结构较为简单，且速度很快，可以实现实时检测；
由于YOLOv1是对整张图片做卷积，所以在检测目标时会有更大的视野，不容易对背景进行误判；
YOLOv1泛化能力强，做部署时鲁棒性高。

缺点

对于小物体较多的图片来说，表现效果较差。因为单元格内的边界框数量有限，设置过多速度就不够快，精度也会下降；
定位不准确，同时对尺寸不规则的物体定位也不准。

---