YOLO学习笔记

Posted 2023-02-04 神遁克里苏

YOLOv1论文：You Only Look Once: Unified, Real-Time Object Detection

YOLO是一种目标检测算法，核心思想是将目标检测转化为回归问题求解，并基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。YOLO与Faster RCNN有以下区别：

1. Faster RCNN将目标检测分解为分类为题和回归问题分别求解：首先采用独立的RPN网络专门求取region proposal，即计算图1中的 P(objetness)；然后对利用bounding box regression对提取的region proposal进行位置修正，即计算图1中的Box offsets（回归问题）；最后采用softmax进行分类（分类问题）。
2. YOLO将物体检测作为一个回归问题进行求解：输入图像经过一次网络，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。

可以看出，YOLO将整个检测问题整合为一个回归问题，使得网络结构简单，检测速度大大加快；由于网络没有分支，所以训练也只需要一次即可完成。这种“把检测转化为回归问题”的思路非常有效，之后的很多检测算法（包括SSD）都借鉴了此思路。

• 网络结构如下 

相比Faster RCNN，YOLO结构简单，网络中只包含conv，relu，pooling和全连接层，以及最后用来综合信息的detect层。其中使用了1x1卷积用于多通道信息融合。

YOLO共有24个卷积层

Fast-YOLO共有9个卷积层

YOLO核心思想

YOLO的工作过程分为以下几个过程：
(1) 将原图划分为SxS的网格

如果一个目标的中心落入某个格子，这个格子就负责检测该目标。

(2) 每个网格预测下面两项内容

C个类别概率Pr(classi|object)，C是网络分类总数，由训练时决定。文中C=20。

B个bounding boxes，每个bounding boxes包含(x, y, w, h, confidence)5个信息，文中B=2。

其中，confidence代表了所预测的box中含有目标的置信度和这个bounding box预测的有多准两重信息：

Pr(Object)=1，表示有目标落中心在格子里；Pr(Object)=0，表示没有目标落中心在格子里；

IOU表示预测的bounding box和实际的ground truth之间的IOU。

（其中Pr(Object)和IOU是训练时的信息，模型要朝着这个方向去训练，训练完后再测试时直接输出confidence，不会知道其中Pr(Object)和IOU是多少）

（3）模型输出信息：

Pr(classi|object)以及(x, y, w, h, confidence)

由于输入图像被分为SxS网格，每个网格包括B*5个预测量(x, y, w, h, confidence)和一个C类，所以网络输出是SxSx(5xB+C)大小。

将bounding box的confidence与其对应格子的Pr(classi|object)相乘，得到每个bounding box的class-specific confidence score：

class-specific confidence score既包含了bounding box最终属于哪个类别的概率，又包含了bounding box位置的准确度。

然后将class-specific confidence score与阈值比较，留下较高的框。

最后进行NMS（非极大值抑制）就可以获得最终的输出框了。

• YOLO训练过程

对于任何一种网络，loss都是非常重要的，直接决定网络效果的好坏。YOLO的Loss函数设计时主要考虑了以下3个方面

(1) bounding box的(x, y, w, h)的坐标预测误差。由于对不同大小的bounding box预测中，相比于大box大小预测偏一点，小box大小测偏一点更不能被忍受。所以在Loss中同等对待大小不同的box是不合理的。为了解决这个问题，作者用了一个比较取巧的办法，即先对w和h求平方根压缩数值范围，再进行回归。

从后续效果来看，这样做有效，但是没有完全解决问题。

(2) bounding box的confidence预测误差。由于绝大部分网格中不包含目标，导致绝大部分box的confidence=0，所以在设计confidence误差时同等对待包含目标和不包含目标的box也是不合理的，否则会导致模型不稳定。作者在不含object的box的confidence预测误差中乘以惩罚权重 λnoobj =0.5。

除此之外，同等对待4个值(x, y, w, h)的坐标预测误差与1个值的conference预测误差也不合理，所以作者在坐标预测误差误差之前乘以权重 λcoord=5 。

(3) 分类预测误差。即每个box属于什么类别，需要注意一个网格只预测一次类别，即默认每个网格中的所有B个bounding box都是同一类。所以，YOLO的最终误差为下：

Loss = λcoord * 坐标预测误差 + （含object的box confidence预测误差 + λnoobj * 不含object的box confidence预测误差） + 类别预测误差

=

 

• 检测效果

Real-Time Detectors表示能够进行实时检测

Less Than Real-Time表示未达到实时检测的速度

mAP（mean Average Precision）平均检索精度

衡量模型在所有类别上的好坏。mAP越高表示越精确。

FPS(每秒传输帧数-Frames Per Second)

FPS就是目标网络每秒可以处理（检测）多少帧(多少张图片),FPS简单来理解就是图像的刷新频率，也就是每秒多少帧,假设目标检测网络处理1帧要0.02s，此时FPS就是1/0.02=50。值越大表示速度越快。

因此图中可以看出YOLO以及Fast-YOLO的检测速度都达到了实时检测的水平，且mAP也处于偏高的水平。