【Yolo系列目标检测模型】详细整理！更新中

1、YOLOv1

1.1、概述

1、YOLOv1的核心思想就是：网络将整张图像作为输入，并直接在输出层回归得到bounding box的位置和类别，即one-stage的思想；
2、而Faster RCNN的思想：先通过RPN网络提取proposals，再通过两个分支进行bbox回归和bbox分类，即two-stage的思想；

1.2、实现方案

1）整体思路

由于是one-stage的思想，但是又需要去预测出bbox和对应类别，因此使用了划分为S$\times$S个网格grid的方式，每个grid负责预测B个bounding box，还要预测B个对应的置信度分数confidence，以及每个grid对应的C个类别概率。因此每个网格预测得到的向量维度为4$\times$B+B+C，最终得到的预测特征图应该为S$\times$S$\times$(5B+C)。

• B个bounding box（使用[x, y, w, h]四个值表示即可）：需要注意的是，[x, y, w, h]需要归一化到0-1之间，坐标的x,y用对应网格的offset归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。例如，输入图像的宽和高为width和height，该网格grid cell的坐标为(x0, y0)，则预测出的bbox的坐标应进行如下归一化：
  

• confidence可以用来表示grid cell / 预测出的bbox是否含有object，以及预测的object有多准确两个信息，Pr(object)表示的是grid cell是否包含object，如果包含为1，否则为0。因此，如果包含object，confidence的值就是预测的bbox和GT之间的IoU值
  

• 注意预测的C个类别信息是针对每个grid cell的，而confidence信息是针对每个bounding box的。

2）网络结构

• 网络包含24个卷积层和2个全连接层，YOLOv1的最后一层采用了线性激活函数$\varphi (x)$，其它层采用了Leaky ReLU。两个全连接层：第一个全连接层将输入特征图展平，输出通道数为4096；第二个全连接层输入通道数4096，输出通道数为7$\times$ 7$\times$ 30=1470。
  

• 网络的输入为448 $\times$ 448（注意：由于该网络中全连接层已经固定，因此输入只能为448 $\times$ 448）。

3）损失函数

损失函数由三部分组成：位置损失、置信度损失、分类损失，都采用sum-squared error计算

• 位置损失/坐标预测损失

a）预测出的bbox由四个值就可以表示：(x, y, w, h)，于是我们可以通过计算预测值与GT之间的误差平方和作为损失函数。
b）但是需要注意的是，不是所有的bbox都要参与loss的计算，只有第i个网格内包含object且该网格中预测的B个bbox中与GT bbox具有最大的IoU的第j个bbox才会参与loss的计算。则其余的bbox不参与loss的计算。损失函数中$1_{ij}^{obj}$就表示这个意思。
c）对不同大小的bbox预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。因此损失函数中的w和h的两项采用了$\sqrt{w}$和$\sqrt{h}$来计算。可以看出，同样的偏移，小bbox对应的损失会更大，会使网络更关注于小bbox。

• 置信度损失

a）首先对于所有的grid cell的所有bbox都要计算预测的confidence与GT之间的损失
b）对于包含object的grid cell来说，置信度分数的ground truth为$C_i=1\times {IOU}_{pred}^{truth}$ ，也就是说由于预测出的bbox是变化的，所以训练过程中GT是需要不断地进行计算的
c）对于没有object的grid cell来说，置信度分数$C_i=0$，也需要进行损失函数的计算

• 分类损失

分类损失是只针对包含object的grid cell进行计算，因此GT值就是该object的类别

4）推理/预测过程

推理和预测过程中，输入图像得到预测结果，进行后处理：

• 首先计算每个bbox的class specific confidence score：预测得到的类别概率与每个bbox对应的confidence相乘
  
• 然后设置阈值，过滤掉低于阈值的bbox，再对其余的bbox进行排序，并进行NMS，得到最终的bbox
• NMS：非极大值抑制，主要用于去除重叠的bbox，主要过程如下：

对于C个类别中的每个类别，进行如下操作：
a）计算该类别的每个bbox的class specific confidence score，低于设定的阈值的bbox，将其score设为0，即删除掉该bbox
b）对其余的bbox进行score的排序，从高到低选择bbox，进行如下操作：首先将该bbox添加到输出列表；然后遍历其余bbox（score为非0且不在输出列表的）并计算二者之间的IoU值；最后，根据IoU阈值，高于阈值的bbox的score设为0
c）执行b操作直到所有的bbox要么在输出列表，要么score为0时，该类别的NMS结束
遍历完C个类别，NMS最终的结果就是输出列表中的bbox

5）优缺点

优点：

• pipeline简单且快速

缺点：

• 预测/推理阶段的输入图像的分辨率受限制：由于全连接层固定，因此在检测时，YOLO训练模型只支持与训练图像相同分辨率的输入图片。
• 群体检测困难：每个grid cell预测的B个bbox中，最终只选择IoU最大的一个bbox作为输出，即每个grid最多只预测出一个object。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。这是YOLO方法的一个缺陷。
• 小目标检测困难 ：损失函数中，大物体IOU误差和小物体IOU误差对网络训练中loss贡献值接近（虽然采用求平方根方式，但没有根本解决问题）。

2、YOLOv2

2.1、概述/改进整体思路

• 分析YOLOv1显示，YOLOv1出现了大量定位错误，而且召回率相对较低
• 因此，YOLOv2主要关注的是在保持分类精度的同时，提高召回率和定位准确度。此外，还希望保持快速的检测速度
• 于是，YOLOv2并没有扩大网络，而是提出了许多tricks来改进网络，提高性能

2.2、YOLOv2的改进点/tricks

1）Multi-Scale Training

• 引入多尺度训练的目的：可以使网络适应不同尺寸的输入图像
• 实现过程：模型每训练一定的epoch，改变输入图像的尺寸，以使模型可以对不同输入尺寸的图像更鲁棒，提高模型在不同尺寸图像上的泛化性能
• 论文中使用的尺寸是以32为倍数，包括320、352、384、416、448、480、512、544、576、608这10种尺寸。
• 需要注意的是，YOLOv2可以引入多尺度输入的前提是：对backbone和head都做了网络结构的调整，移除了全连接层（参数量太大，容易过拟合，训练慢），因此可以输入不同分辨率的图像。

2）High resolution classifier

• 简单来说，就是YOLOv1采用了在ImageNet上预训练的模型，但是其输入是224 $\times$ 224，是很小的，而YOLO系列模型的输入是448 $\times$ 448，不一致的分辨率输入可能会有一些影响。
• 因此，在224 $\times$ 224的输入图像上预训练以后，再采用448 $\times$ 448的高分辨率图像做一些微调，最后再作为YOLO的backbone，这样可以使网络适应448 $\times$ 448的高分辨率输入，缓解输入分辨率不一致造成的影响

3）backbone的改进

• YOLOv1的backbone采用的是GoogleNet，YOLOv2新引入了Darknet19，包含19个卷积层和5个max pooling层，因此计算量比YOLOv1要更少。
• 此外，需要注意的是：与YOLOv1（类别的预测是针对每个grid cell）不同，最后预测出的结果中，类别的预测是针对每个bbox的（主要是因为YOLOv2采用了anchor box的方式），例如416 $\times$ 416的输入，经过32的下采样（5个max pooling）以后，得到的特征图为13 $\times$ 13，因此预测出B个bbox，C个类别，最后的维度应为13 $\times$ 13 $\times$ [(5 + C) $\times$ B]
• 以下网络为用于分类的网络，在检测时，YOLOv2对网络结构做了微调：移除最后一个卷积层、global avgpooling层和softmax；移除后增加了3个3x3x1024的卷积层和一个passthrough layer；增加一个1×1个卷积层作为网络输出层。输出的channel数为(5 + C) $\times$ B
  
• 此外，在每个卷积层后面增加了BN层（Batch Normalization），回顾BN层：

BN层的作用：在训练过程中，网络每层输入的分布一直在改变, 会使训练难度加大，对网络的每一层的输入(每个卷积层后)都做了归一化，这样网络就不需要每层都去学数据的分布，收敛会更快。

4）passthrough layer

• YOLOv1的其中一个缺点就是小目标检测较差，于是YOLOv2从另一个方面改进了这一点：将最后一个maxpooling层的输入特征图划分为四部分，再与maxpooling层之后的特征图连接到一起（沿通道维度）
• 例如：416 $\times$ 416的输入，经过5个max pooling层之后的输出为13 $\times$ 13，那对于一些小目标来说，其特征有可能是不充足的，因此将26 $\times$ 26的特征图通过passthrough layer保留一部分细节信息。
  
• 需要注意的是，划分的过程不是直接一分为四，而是需要按对应位置进行选择，例如下面4$\times$ 4的特征图划分为四个2$\times$ 2的特征图
  

5）Convolution with anchor boxes

• YOLOv1在预测bbox时，是直接回归出(x, y, w, h)的，x和y是相对于grid cell做归一化，w和h是相对于整个图像做归一化。但是，由于各个图片中存在不同尺度和长宽比的物体，YOLOv1在训练过程中学习适应不同物体的形状是比较困难的（学习比较困难可能是由于没有先验），这也导致YOLOv1在精确定位方面表现较差。
• 基于此，YOLOv2采用了anchor box作为先验，预测(x, y, w, h)的偏移量的方式
• 另外，论文中采用的输入为416 $\times$ 416，是因为最终输出的特征图为13 $\times$ 13，这样做的原因：特征图中有奇数个位置，所以只有一个中心单元格。物体往往占据图像的中心，所以最好在中心有一个单独的位置来预测这些物体，而不是在附近的四个位置。

6）Dimension Clusters

• 使用anchor box作为先验，存在的第一个问题：anchor box的尺寸和长宽比是手动预先设定的，对于具体的数据和任务来说，不一定是最优的。
• 因此，YOLOv2提出了Dimension Clusters，对训练集上的bbox做k-means聚类，以找到K个更好的先验anchor box。有了更好的先验anchor box，可以使网络更容易预测到更好的结果
• 回顾k-means聚类算法：

1.选择K个样本作为初始聚类中心
2.对于数据集中每个样本，计算它到K个聚类中心的距离，并将其分到距离最小的聚类中心所对应的簇中
3.对于K个聚类后的簇，重新计算它的聚类中心
4.重复上面的步骤2和3，直到达到某个终止条件（迭代次数、最小误差变化）

• 使用k-means聚类，其距离度量不采用欧氏距离，我们主要想获得先验anchor与GT是要有最大的IoU，因此采用如下距离度量：

d(box, centroid) = 1 − IOU(box, centroid)（box:其他框， centroid：聚类中心框）

• YOLOv2给出的聚类分析结果如下图所示，最终在model复杂性（K越大，anchor越多，模型复杂度也就越大）与high recall之间权衡之后，选择聚类分类数K=5。
  

7）Direct location prediction

• 使用anchor box作为先验，预测box的位置时，会存在第二个问题：模型的不稳定性，特别是在早期迭代期间。大多数不稳定性来自于对边框(x, y)位置的预测。
• 原因可能是：如果采用预测相对于anchor box的偏移，那么在随机初始化的情况下，模型需要很长时间才能稳定到预测合理的偏移量。
• YOLOv2采用的计算方式：grid cell相对于图像左上角的偏移量是cx，cy。anchor box的宽度和高度分别是pw和ph，对于每个grid cell预测的B个bbox中，每个bbox预测5个值(tx, ty, tw, th, to)，表示预测出的bbox相对于grid cell左上角的相对偏移值（使用sigmoid函数 σ(⋅)将值约束在 [0,1] 之间，这使得模型训练更稳定）。
• 则预测的边界框相对于特征图的中心坐标(bx，by)和宽高(bw、bh)为
  

3、Yolov3

• Yolov3的改变主要是在Backbone和损失函数上

3.1、Backbone

• Yolov3的Backbone主要是采用了DarkNet53和多尺度特征融合的思想。
• 网络结构如下：
  
  
• Yolov3采用了DarkNet53的前52层，去除掉了全连接层和softmax层（损失函数中修改为了sigmoid，也就是说一个bbox不一定为一个类别，如果使用softmax层，概率和为1，类别之间互斥；使用sigmoid激活函数，类别之间互不影响）
• 检测分支共有三个：分别在32倍、16倍、8倍下采样率的情况下进行检测，同时16倍和8倍下采样率的分支中进行了上采样并concat的操作以获取多尺度的信息。图中检测的三个分支的尺寸之比为1：2：4（13：26：52），通道数都是255，按照coco的80个类别，是这样计算的：（80+5）$\times$ 3 = 255
• Yolov3和v2一样都采用了kmenas聚类的方式计算得到了三个尺度下的anchor bbox的尺寸为：
  
• 32倍降采样的感受野最大，适合检测大的目标，所以在输入为416×416时，每个cell的三个anchor box为(116 ,90); (156 ,198); (373 ,326)。16倍适合一般大小的物体，anchor box为(30,61); (62,45); (59,119)。8倍的感受野最小，适合检测小目标，因此anchor box为(10,13); (16,30); (33,23)。所以当输入为416×416时，实际总共有（52×52+26×26+13×13）×3=10647个anchor box。

3.2、损失函数

• Yolov3是将v1和v2使用的预测类别的softmax层更改为了sigmoid激活函数，并使用了交叉熵损失函数预测。
• Yolov3将softmax变为sigmoid是基于这样一个事实：一个bbox内可能不止有一个类别。而softmax和sigmoid之间应用于多分类又有这样的区别：

softmax：1）用于单标签的多分类问题，即从多个分类中选取一个正确答案。 Softmax 综合了所有输出值的归一化，因此得到的是不同概率之间的相互关联 。2）各类别概率之和为1 ，也就是说我们加大某一类别的概率必然导致其他类别减小——各类别之间相互关联，是互斥的。
sigmoid：1）用于多标签的多分类问题，可以选取多个标签作为正确答案，它是将任意实数值归一化映射到[0-1]之间，2）各类别概率之和则不一定为1 ，各个输出值依次独立的经过激活函数的映射，某一个类别概率增大可能也伴随另一个类别概率增大——各类别之间相互独立，不互斥。

例如：
多标签问题：一部电影即是剧情片又是爱情片，各类别之间不互斥——sigmoid；
多分类问题：一个动物图谱只能是一类动物，各类别之间互斥——softmax；

• 因此，Yolov3将用于单标签分类的Softmax分类器改成多个独立的用于多标签分类的Logistic分类器（sigmoid），取消了类别之间的互斥，可以使网络更加灵活。
• 因此损失函数做了一些修改，置信度分数和分类损失都为交叉熵损失，并在坐标损失中乘以$(2-b_w{b}_h)$，使得小目标的权重大，大目标的权重小。如下：
  

参考链接：
YOLO学习笔记——第一篇YOLOv1
【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7