计算机视觉(YOLO算法系类)—集合版本
前言：
✌ 作者简介：CC++Edge淇，大家可以叫我--斯淇。(CSDN优质博主建议加这一条！)
个人主页：CC++Edge淇主页
如果文章知识点有错误的地方，请指正！和大家一起学习，一起进步
如果感觉博主的文章还不错的话，还请不吝关注、点赞、收藏三连支持一下博主哦
人生格言：这世界形形色色，做好自己才是真!-——从入门到现在不容易~
每日推荐书：《opencv基础教程》
一、前言（百度百科）
YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。
016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once（也就是我们常说的YOLO的全称），并将该成果发表在了CVPR 2016上，从而引起了广泛地关注。
YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。
深度学习经典检测方法：
- TWO-STAGE(两阶段)：Faster-rcnn Mask-Rcnn系列
- ONE-stage(单阶段)：YOLO系列
ONE-stage：
最核心的优势：速度非常快，适合做实时检测任务！
但是缺点也是有的，效果通常情况下不会太好！
个人理解：这个算法衡量的（两个指标）1.FPS的速度是快还是慢，2.mAP值的好坏！
TWO-STAGE：
- 速度通常比较慢（5FPS），但是效果通常还是不错的
- 非常实用的通用框架MaskRcnn，建议熟悉下！
指标分析
map指标：综合衡量检测效果；单看精度和recall不太行！
关于.YOLO系列指标分析：
TP的意思:true positives (TP正类判定位正类)
FP就是负类判定为正类“存伪”
FN：正类判断为负类“去真”，明明是小狗偏给判断为小猫！
TN：负类判定为负类！
检测任务中的精度和召回率分别代表
基于置信度阈值来计算，例如分别计算0.9；0.8；0.7
0.9时：TP+FP = 1，TP = 1 ；FN = 2；Precision=1/1；Recall=1/3；
YOLO-V1
把检测问题转化成回归问题，一个CNN就搞定了！
可以对视频进行实时检测，应用领域非常广！
YOLOv1采用的是“分开使用的”的策略，将一张图片平均分成7×7个网格，每个网格分别负责预测中心点落在该网格内的目标。通过这种方式，我们就不需要再额外设计一个RPN网络，这正是YOLOv1作为单阶段网络的简单快捷之处！
网络架构：
- 网络输入：448×448×3的彩色图片。
- 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
- 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
- 网络输出：7×7×30的预测结果。
- YOLO在输入连接里面有一个全连接层，所以说这里必须做一个限制输入数据的大小（必须是448*448*3）
- 并且需要杂计算机里面设计一个损失函数，在损失函数里面（设置好损失的最小值）
每个数字的含义：
1.10 =(X,Y,H,W,C)*B（2个）
2.当前数据集中有20个类别
3.7*7表示最终网格的大小
4.（S*S）*（B*5+C） 给出最终预测结果等于多少！
损失函数：
损失由三部分组成，分别是：坐标预测损失、置信度预测损失、类别预测损失
定位误差比分类误差更大，所以增加对定位误差的惩罚，使λ c o o r d = 5 λ。
YOLO-V1 （V1 内容介绍一遍）
优点：快速，简单！
问题1：每个Cell只预测一个类别，如果重叠无法解决
问题2：小物体检测效果一般，长宽比可选的但单一
具体说明一点优点：
- YOLO检测的速度其实非常快，拿标准版的YOLO来说每秒可以处理的图像为40-45秒每张图片！当然极速版的可以处理150帧的图像！！！！这也就是YOLO优于其他的方式！！
- YOLO的检测能力要比其他的监测系统快两倍！其迁移能力强，能过运用于多种的新的领域！
局限：
- YOLO对于小的群体的检测效果并不好，如果同时检测两个框，并且属于同一个类可能会出现错误！！
- 损失函数的问题也同样影响大，定位误差以及检测效果的偏移，和不同之间的角度问题上同样偏弱！
YOLO系列—V2
更快！更强！
YOLO-V2-Batch Normalization
V2版本舍弃Dropout，卷积后全部加入Batch Normalization（如果不加这个Batch Normalization，则数据似乎不可控制！）
网络的每一层的输入都做了归一化，收敛相对更容易
经过Batch Normalization处理后的网络会提升2%的mAP
从现在的角度来看，Batch Normalization已经成网络必备处理
网络结构层特点：
YOLO-V2-更大的分辨率
V1训练时用的是224*224，测试时使用448*448 （版本原因：测试时候使用了改进448*448
可能导致模型水土不服，V2训练时额外又进行了10次448*448 的微调
使用高分辨率分类器后，YOLOv2的mAP提升了约4%
YOLO-V2-网络结构
DarkNet，实际输入为416*416
没有FC层，5次降采样，（13*13）
1*1卷积节省了很多参数
与第一代半版本相比足足大大了一倍的数据
引入 Anchor Box 机制：
在YOLOv1中，作者设计了端对端的网路，直接对边界框的位置（x, y, w, h）进行预测。这样做虽然简单，但是由于没有类似R-CNN系列的推荐区域，所以网络在前期训练时非常困难，很难收敛。于是，自YOLOv2开始，引入了 Anchors box 机制，希望通过提前筛选得到的具有代表性先验框Anchors，使得网络在训练时更容易收敛。
在 Faster R-CNN 算法中，是通过预测 bounding box 与 ground truth 的位置偏移值 t x , t y t_x
这个公式是无约束的，预测的边界框很容易向任何方向偏移。因此，每个位置预测的边界框可以落在图片任何位置，这会导致模型的不稳定性。
因此 YOLOv2 在此方法上进行了一点改变：预测边界框中心点相对于该网格左上角坐标（ C x , C y ） （C_x, C_y）的相对偏移量，同时为了将bounding box的中心点约束在当前网格中，使用 sigmoid 函数将tx,ty归一化处理，将值约束在0—1,这使得模型训练更加稳定
下图为 Anchor box 与 bounding box 转换示意图，其中蓝色的是要预测的bounding box，黑色虚线框是Anchor box。
YOLO-V2-聚类提取先验框：
faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集
K-means聚类中的距离：
（距离的定义：是1-IOU来限制一下数值，不会误差太大）
K=5刚好取到折中的数据！
YOLO-V2-Anchor Box
通过引入anchor boxes，使得预测的box数量更多（
13*13*n）
跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定
Recall(的值越高，检测出来的可能性就越大)
YOLO-V2-Directed Location Prediction
bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：
tx=1,则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp
这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候
V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量(不会飘逸)
计算公式为：
感受野的作用！！
概述来说就是特征图上的点能看到原始图像多大区域！
（越大的广视野外，看到的范围就越大）相当于原始区域的感受数据！！
但是市面上却没有大的（卷积和），并没有太多小的卷积和！
假设输入大小都是h*w*c，并且都使用c个卷积核(得到c个特征图)，可以来计算
一下其各自所需参数：
这一步看起来三个卷积和的参数更加省，更有效率！
4.很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取
也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就
是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。
- 最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征
最后一层擅长找大物体！最好做到大小通吃！！！
YOLO-V2-Multi-Scale:
都是卷积操作可没人能限制我了！一定iterations之后改变输入图片大小
YOLO-V3（简称巅峰之作）
2018年，作者 Redmon 又在 YOLOv2 的基础上做了一些改进。特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实时性的同时保证了目标检测的准确性。
对此进行说明:
DBL： 一个卷积层、一个批量归一化层和一个Leaky ReLU组成的基本卷积单元。
- res unit： 输入通过两个DBL后，再与原输入进行add；这是一种常规的残差单元。残差单元的目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
- resn： 其中的n表示n个res unit；所以 resn = Zero Padding + DBL + n × res unit 。
- concat： 将darknet-53的中间层和后面的某一层的上采样进行张量拼接，达到多尺度特征融合的目的。这与残差层的add操作是不一样的，拼接会扩充张量的维度，而add直接相加不会导致张量维度的改变。
- Y1、Y2、Y3： 分别表示YOLOv3三种尺度的输出
终于到V3了！！！
（V2的缺点需要改进，所以来到了V3来做到了最大的改进！）
-
- 最大的改进就是网络结构，使其更适合小目标检测
- 特征做的更细致，融入多持续特征图信息来预测不同规格物体
- 先验框更丰富了，3种scale，每种3个规格，一共9种
- softmax改进，预测多标签任务
多scale类型，YOLO3为了检测不同大小的物体，设计3个scale
三种不同大小的特征图，可以检测的时候更好的使用！
分别13，26.，52
scale变换经典方法:
下列解释两个图片：金字塔，右图：单一的输入
金字塔的数据依次输入，比较好控制图像的变换！（换到其他算法当中还行，因为他并不考虑其速度！，但是再scale算法当中确是不合适的！！！）
右图的单一输入：单一的输出结果！！
左图：对不同的特征图分别利用；右图：不同的特征图融合后进行预测；
右图做完上采样，实现一个大，中，小目标的实现！
1.残差连接-为了更好的特征
2.从今天的角度来看，基本所有网络架构都用上了残差连接的方法
3.V3中也用了resnet的思想，堆叠更多的层来进行特征提取
（这里说白了就是一个思想的集合点，说白了yolo就是把当年一些最优秀的思想，例如resnet融合进来，做了一个整合！）
核心网络架构
1.没有池化和全连接层，全部卷积
2.下采样通过stride为2实现
3.3种scale，更多先验框
4.基本上当下经典做法全融入了
核心网络结构
先验框设计:
1.YOLO-V2中选了5个，这回更多了，一共有9种
2.13*13特征图上：(116x90)，(156x198)，(373x326)
3.26*26特征图上：(30x61)，(62x45)，(59x119)
4.52*52特征图上：(10x13)，(16x30)，(33x23)
以上的数据（术业有专攻，大的数据就交给大的处理特征图上）
YOLO-V2中选了5个，这回更多了，一共有9种
最后一点！！！
softmax层替代
1.物体检测任务中可能一个物体有多个标签
2.logistic激活函数来完成，这样就能预测每一个类别是/不是