模型训练目标检测实现分享一：详解 YOLOv1 算法实现

Posted 2022-02-04 极智视界

  欢迎关注我的公众号 [极智视界]，回复001获取Google编程规范

  O_o   >_<   o_O   O_o   ~_~   o_O

  大家好，我是极智视界，本文详细介绍一下 YOLOv1 算法的设计与实现，包括训练。

  本文是目标检测类算法实现分享的第一篇，从 用回归做物体检测 算法开山鼻祖 YOLOv1 讲起。YOLO (You Only Look Once) 是充满艺术性和实用性的算法系列，而 YOLOv1 是个开头，在论文《You Only Look Once：Unified, Real-Time Object Detection》中提出。YOLO 目标检测算法以实时著称，并经不断发展能逐步兼顾精度。简单看一些 YOLO 官网的宣传效果：

  下面开始，同样这里不止会讲原理还会讲实现及训练。

文章目录

• • 1、YOLOv1 原理
  • • 1.1 网络结构设计
    • 1.2 损失函数设计
  • 2、YOLOv1 实现
  • • 2.1 制作 VOC0712 融合数据集
    • 2.2 训练
    • 2.3 验证

1、YOLOv1 原理

  在论文中其实不止提出了 baseline YOLOv1 模型，还提出了 Fast YOLOv1，而 Fast YOLOv1 旨在让人们看到 YOLO 的效率极限。先来看论文中的实验数据，YOLOv1 的主要对标对象是 Fast R-CNN、DPM，下面是精度 (mAP) 和 性能 (fps) 数据：

  训练测试数据集是 PASCAL VOC 0712，硬件是 Nvidia Titan X，这里我们主要关心 Real-Time Detectors，可以看到相比于 DPM 和 Fast R-CNN， YOLOv1 兼顾精度和推理效率，还可以注意到 Fast YOLOv1 的帧率达到了的 155 fps，相当于浮点推理单图 6.5 个 ms，这在当时相当快。

  YOLOv1 相比于 Fast-RCNN 能够更加好的区分背景和待检测目标，然而 YOLOv1 并不是一个极度完美的网络，还有一些缺陷 (这跟网络设计相关)，如下：

  上图是 Fast R-RCNN vs YOLOv1 Error Analysis，可以看到主要有以下几点：

  (1) YOLOv1 的预测准确度 Correct 没 Fast R-CNN 高；

  (2) YOLOv1 的 Localization 错误率更高，这是由于 YOLOv1 采用直接对位置进行回归的方式进行预测，这不如滑窗式的；

  (3) YOLOv1 对于背景预测的错误率更低；

  以实验结论为导向，下面介绍 YOLOv1 的网络设计艺术。

1.1 网络结构设计

  整个网络由 24 个卷积层 (受 GoogLeNet 启发，有很多 1 x 1 和 3 x 3 交替的结构) 和 2 个全连接层构成，输入图像尺寸为 448 x 448，输出为 7 x 7 x 30，说一下输出为啥是这个 shape。YOLOv1 会把输入图像划成 7 x 7 的 grid，每个 grid 负责预测 2 个目标，对于每个目标来说又有这些属性：x、y、h、w、置信度，然后再加上类别数 20，这样就形成了 7 x 7 x (2 x 5 + 20) = 7 x 7 x 30 的输出 tensor 了。如下：

  由于 YOLOv1 将图片划分为 7 x 7 个 grid，虽然每个 grid 负责预测两个目标，但最后会通过抑制只保留一个匹配度最高的 bounding box，也就是说一张图我最多就给你预测七七 49 个目标，那么想一下，如果有两个相邻的目标落在了同一个 grid 中，那么势必会漏检一个，所以 YOLOv1 对于邻近目标的检测效果不好。

1.2 损失函数设计

  YOLOv1 的整个损失函数如下，这个比较经典：

  一个个来说：

  (1) 第一个和第二个都是位置损失。第一个是中心点位置损失，采用简单的平方和进行计算。其中 lij^obj 是一个控制参数，作用是当标签中该 grid 有待检测物体，则为 1，否则为零；

  (2) 第二个是宽高损失。这里对 w、h 分别取了根号，原因是这样可以减缓倾向于调整尺寸比较大的预测框，这里的 lij^obj 和第一个中的一样；

  (3) 第三个和第四个需要结合起来看，都是预测框的置信度损失。第三个是有目标的时候，第四个是没有目标的时候，我们知道，实际检测时 49 grid 中每个 grid 有目标和没目标也是个长尾问题，往往有目标的情况占少数，所以在这里设计给了 λobj = 5，λnoobj = .5 的权重平衡；

  (4) 第五个是类别损失。

  原理就讲这么多，接下来是实践。

2、YOLOv1 实现

  github 地址：https://github.com/AlexeyAB/darknet

  darknet 编译就不多说了，默认已经编译好了，这步不会的同学可以翻看我之前的文章，有相关介绍。

  下面介绍一下制作 VOC0712 融合数据集。

2.1 制作 VOC0712 融合数据集

  下载数据集

# download datasets
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar

# 解压
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

  制作 imagelist：

# 生成label及train.txt、test.txt、val.txt
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py

# 配置 2012train、2007_train、2007_test、2007_val 为训练集，2012_val 为验证集
cat 2007_* 2012_train.txt > train.txt

  这个时候的目录结构是这样的：

2.2 训练

  然后可以进行训练，这里需要注意的是 YOLOv1 的训练指令和 YOLOv2 和 YOLOv3/v4 的不太一样，YOLOv1 的训练指令如下：

./darknet yolo train cfg/yolov1/yolo.train.cfg

  是不是稍微有点好奇，以上命令中并没有指定训练图片路径，这个路径是在代码内部写死的 (包括保存权重的路径 backup/ 也是写死的)：

  这个地方可以改成自己想指定的 train.txt 的路径，然后重新编译框架：

make clean
make -j32

  然后再执行训练指令，开始训练：

  可以看到已经开始训练了，这里我们使用了默认的训练配置：

  这里的一些参数可以根据自己的需要进行相应的修改。

2.3 验证

  训练的过程比较漫长，等训练结束可以测试一下训练结果：

./darknet yolo test cfg/yolov1/yolo.cfg backup/yolo.weights

  在 Enter Image Path 中输入待检测图片，如 data/dog.jpg 可以看到检测效果：

  这样就完成了 YOLOv1 数据集准备、训练到验证的整个环节。

  以上详细分享了 YOLOv1 的原理和实践，希望我的分享能对你的学习有一点帮助。

 【公众号传送】

《【模型训练】目标检测实现分享一：详解 YOLOv1 算法实现》

扫描下方二维码即可关注我的微信公众号【极智视界】，获取更多AI经验分享，让我们用极致+极客的心态来迎接AI ！