[论文总结]YOLO v1、YOLO v2、YOLO v3、YOLO v4、YOLOv5

背景

在这里我们主要介绍YOLO 系列的相关目标检测算法，从最开始的YOLO v1 一直到 YOLO v5。本文也借鉴了其他文档和原始论文。总结下来这五个方法的演进线路如下表格所示。

对比维度	YOLO v1	YOLO v2	YOLO v3	YOLO v4	YOLO v5
backbone	VGG	darknet19	darknet53	darknet53	darknet53
是否有anchor	否	是	是	是	是
anchor 个数	0	多个(5)	多个(9)	多个	多个
是否multi-head	否	否	是	是	是
GT和anchor关系	1对1	1对1	1对1	1对多	1对多
GEO Loss	MSE	MSE	MSE	CIoU	CIoU

接下来我们将完整的介绍YOLO v1的方法，然后我们将从上述表格的几个方面来介绍演进路线。

YOLO v1

一开始原始的YOLO v1主打的就是一个快，他基本的思想就是将图像分层若干个块，每个块负责预测一个物体。当我们输入一张图片的时候，经过一些列CNN的操作，他就会变成7X7的feature map，那么我们将feature map上的每一个点分别负责预测一个框，这就是最简单的YOLO v1的思想。

整体结构

YOLO v1的整体结构如上图所示，他给整个系列的YOLO 定下了基调。针对得到的7X7的feature map，他将feature map最终映射成为了BX7 X7X30的维度。
那么如何理解这里的30呢？=5*2+20，这里的20代表我们最后预测物体类别已经有20个类别，5代表的是（c，x，y，w，h），c表示的是置信度分数，xywh分别表示的是中心点左边和宽高。2表示的是预测一个大物体，一个小物体。

Loss 函数设计

yolo v1的损失函数设计如下图所示。其中第一行和第二行代表的是geo loss。第三行代表的是有物体的置信度损失，第四行代表的是没有物体的置信度损失（三四相当于一个带权的损失函数）第五行代表的是具体物体类别的损失函数。

Backbone

backbone的演进思路基本上就是VGG->Darknet，我们具体来看Darknet为什么比VGG效果更好

• 删除了7x7的卷积，整体替换为3x3的和1x1的卷积，这样子在相同感受野的前提下，网络结构可以做的更深，并且参数量更小
• 引入量很多1x1的卷积
  • 可以增加深度，增加非线性
  • 降维/升维
  • 跨channel的信息融合
  • 减少卷积参数
• 分辨率也有调整，从一开始的224调整为448（推理的时候416），推理的时候之所以要变为奇数是先验，因为大物体大部分是放在图像中心，奇数个刚好由一个grid来负责预测，否则会将物体拆分到四个grid。
• pooling层替换成了stride=2的卷积层，增加模型的可学习性，减少模型的信息损失。
  

Anchor

YOLO系列从v2开始引入了anchor的概念，v2的时候每个grid有五个anchor，v3的时候由于更改为multi-head的结构，每个head的每个grid有3个anchor。v4和v5基本遵从v3的设计。

• Q1：v1的时候如何每个grid分工？

  • Answer：我们判断bbox的中心点落在哪个grid内，我们就让哪个grid来负责预测该bbox

• Q2：v2/v3的多个anchor是怎么得到的？

  • Answer：根据数据集的bbox集合，通过聚类的方式产出，聚类得到的anchor集合如下图所示。
    

• Q3：每个grid有多个anchor，那么gt和anchor的关系如何对应？

  • Answer：在v2和v3 这里是看grid和对应的哪个anchor的IoU最大，就将对应anchor的gt 设置为该bbox，也就是一个gt bbox只能由一个anchor来预测，在v4修改为可以由多个anchor来预测，只需要IoU大于指定的阈值就可以，这样子也改善了正负样本的比例。

Multi-Head

在v2中我们通过每个grid预测多个anchor来解决目标遗漏的问题，但是针对小目标的检测，v2仍然不是十分友好，因此，从yolov3开始引入了multi-head的概念，引入了不同分辨率的，13x13的预测大物体，26x26的负责预测中物体，52x52的负责预测小物体。每个分辨力对应的anchor大小也是不一样的。基本结构图如下图所示

GEO Loss

上面在介绍v1的时候，我们介绍了v1的相关GEO loss，他是直接预测center x、y和对应的width和height。
但是这样子会导致整体预测的范围变大，变得较难收敛，因此从v2开始，预测的目标变成了偏移量tx,ty,th,tw,它的定义如下图所示，预测的目标是tx/y/h/w他表示的皈依化后的偏移量。在推理的时候我们根据下面的公式可以计算得到bx，by。

• 红色的是真值计算
• 蓝色的是推理时候的推算，$c_x,c_y,p_h,p_w$都是对应的anchor尺寸。
  
  v1、v2、v3整体上还是使用的是基于MSE的损失函数，从v4开始使用基于IoU的损失函数来优化位置距离，这里我们主要介绍三种IoU Loss，GIoU、DIoU和CIoU

IoU Loss

原始的IoU 损失函数定义如下所示，通过使用这种IoU 损失函数，可以将评估指标和优化函数对齐。不过原始的IoU损失函数问题在于

• 当两个bbox没有overlap 的时候失去的优化的目标。
• 不能范围两个之间的重合度（距离），如下图所示，三者的IoU是一样的 但是明显左边的优化更好一点。
  $$L_{IoU}=1-\frac{B交B_{gt}}{B并B_{gt}}$$
  

GIoU Loss

先说定义，定义如下所示，其中$C$代表的含义是两个组成的最小外接矩阵。这样子可以确保两者没有相交的时候，也可以持续优化。
$$L_g=1-IoU+\frac{|C-B并B_{gt}|}{|C|}$$

DIoU Loss

上述GIoU loss的问题在于不好直接优化，当两者没有挨着的时候，我们知道沿着中心点的线进行优化是最快的，因此引入了DIoU，它的公式如下所示。

DIoU在下述的这个case中在第三项是没有区别的，因此引入了CIoU

CIoU Loss

惩罚项的定义如下所示