目标检测算法：YOLO v1论文解读
目标检测算法：YOLO v1论文解读
前言
其实网上已经有很多很好的解读各种论文的文章了，但是我决定自己也写一写，当然，我的主要目的就是帮助自己梳理、深入理解论文，因为写文章，你必须把你所写的东西表达清楚而正确，我认为这是一种很好的锻炼，当然如果可以帮助到网友，也是很开心的事情。
说明
如果有笔误或者写错误的地方请指出（勿喷），如果你有更好的见解也可以提出，我也会认真学习。
原始论文地址
点击这里，或者复制链接
https://arxiv.org/abs/1506.02640
目录结构
文章目录
-
- 目标检测算法：YOLO v1论文解读
-
- 1. 文章内容概述：
- 2. YOLO流程介绍：
- 3. CNN架构：
- 4. 损失函数：
- 5. 注意点：
- 6. 总结：
1. 文章内容概述：
作者提出了一种新的目标检测方法，是一种单阶段检测方法，称其为YOLO，全称为You only look once。这个方法的主要特点是不再生成区域建议框，而是全部交给网络架构来实现，是真正的端到端结构（其实并不是严格意义上的端到端，因为还需要进行后处理操作）。
正是因为没有了区域建议框的生成，其运行速度非常快，可以实现实时检测，但是同样的，其mAP和最先进的检测方法Faster-RCNN比还是较低。
2. YOLO流程介绍：
如果你看了我之前的关于RCNN、Fast-RCNN、Faster-RCNN的解读，你马上就会感概，YOLO真的好简单。
论文原图如下：
对上图进行简单的说明：
- 首先，将输入图片改变大小（一般是取大的分辨率，文中取得的是448*448）
问题：为什么要取大分辨率图像？
因为检测问题需要更细致的信息，因此提高分辨率。
- 然后，将该图片传输给CNN架构，然后产生输出（即预测框和类别预测信息）
3. CNN架构：
这里作者自己设计了CNN架构，当然，对于读了这么多的CNN架构论文来说，小case（如果你是无基础直接看的话，当我没说，此时建议你可以先看看基础的）。
论文原图如下：
具体的网络架构就不谈了，只是要注意，其实网络架构中用到了激活函数，并且不是我们常规的ReLu激活函数，而是leaky relu（最后一层还是relu）：
另外，需要注意它的输出，**这是最重要的部分。**因为它的输出和我们平时的输出不一样，因为无论是图像分类的架构，还是之前的两阶段检测算法，输出就没有三维结构的。
那么，7*7*30是什么意思？下面先分开解释，再结合一起解释。
解释：7*7含义
作者将一张图像划分为S*S个网格，如下图（S=7）：
作者认为：
- 如果某个物体对象中心落在某一网格中，那么该网格就负责该对象的检测
- 每个单元格预测B个边界框和其对应的置信度分数，以及一组类概率（比如总共20个类别，则产生20个概率值）
其中，置信度公式和概率公式分别如下，其中Pr(object)取{0,1}，表示该网格有对象，则取值为1，否则取值为0。
解释：30含义
30=（4+1）*2+20，其中4和1分别表示4个坐标值（x，y，w，h）和一个置信度分数；2表示每个单元格预测2个边界框，那么自然需要乘以2；20是因为数据集共20个类别。
解释：7*7*30怎么才能满足我们的要求？
神经网络的神奇之处，就是在于我们可以让它去适应任意的任务。比如这里，我们需要它按照我们的想象输出7*7*30，并且这里的值必须为我们所想的（比如30里面为坐标值、概率值等）。想要让它输出和我们想得一样，就必须让它在训练的时候，告诉它，30里面的值我们要用来生成预测框和判断类别。而，这个控制它的过程，就是定义一个优秀的损失函数，让7*7*30的值各有所用。
4. 损失函数：
原文中，给出的损失函数公式如下：
下面进行一一解读：
1[上标：obj，下标：ij] 、 1[上标：noobj，下标：ij] 和 1[上标：obj，下标：i] 含义：
1[上标：obj，下标：i]，表示如果对象在单元格i中，则取值为1，否则取值为0。
1[上标：obj，下标：ij]，表示如果对象在单元格i的第j个边界框中，则取值为1，否则取值为0。
1[上标：noobj，下标：ij]，与上面恰好相反，即如果对象没有出现在单元格i的第j个边界框中，则取值为1，否则取值为0。
S和B 含义：
S就是一张图片划分为多少个单元格，文中为7*7。
B就是一个单元格有B个边界框预测，文中为2。
xi、yi、wi、hi、Ci、pi© 含义：
xi、yi、wi、hi就是中心点坐标值和预测框的宽高。
Ci是预测框的置信度分数，公式上面已经给过了。
pi© （小写c）是一个边框的一组概率值（向量）。
在这些变量上加上*号，表示为真实值。
λcoord，λnoobj 含义：
这两个值是超参数，主要是平衡值。因为，不包含对象的预测框肯定是多数，这会导致计算损失时，值失衡。因此一般会让λcoord值取得比较大，比如5，λnoobj取得比较小，比如0.5。
各行表达式的含义：
第一行+第二行 = 预测框（有对象的预测框）的回归损失，可以看出采取的时类似于MSE的损失，准确来说，后面所有的损失都采取的类似MSE的损失（这是一个缺点，分类损失还是用交叉熵好一点）。
第三行+第四行 = 分别为有无对象的预测框的置信度损失值。
第五行 = 分类损失值。
5. 注意点：
在上面写的时候，有一句”如果某对象的中心落在某单元格，则这个单元格负责该对象的检测“。而在后面中，经常会有”如果某对象落在第i个单元格中“，这里对象落在某单元格就是指的是对象中心落在单元格中。
另外，一个单元格有多个框，是否所有框都负责对象？不是的，而是IOU最大的负责预测，这样可以让不同的框产生不同的作用，有利于提高召回率。
6. 总结：
YOLO的特殊之处在于损失函数的构建和网络输出的利用。不过YOLO v1仍然有许多的缺点，比如预测框太少（7*7*2=98个）、损失函数中分类没有交叉熵损失等等。
不过，YOLO相比于两阶段检测方法，的确很简单，这也是它的一大优点。