YOLOv1
YOLOv1是單階段目標(biāo)檢測(cè)方法，不需要像Faster RCNN這種兩階段目標(biāo)檢測(cè)方法一樣，需要生成先驗(yàn)框。Yolo算法采用一個(gè)單獨(dú)的CNN模型實(shí)現(xiàn)end-to-end的目標(biāo)檢測(cè)。
整個(gè)YOLO目標(biāo)檢測(cè)pipeline如上圖所示：首先將輸入圖片resize到448x448，然后送入CNN網(wǎng)絡(luò)，最后處理網(wǎng)絡(luò)預(yù)測(cè)結(jié)果得到檢測(cè)的目標(biāo)。相比R-CNN系列算法，其是一個(gè)統(tǒng)一的框架，其速度更快，而且Yolo的訓(xùn)練過(guò)程也是end-to-end的。
具體來(lái)說(shuō)，YOLO將全圖劃分為 S × S S×S S×S的格子， 每個(gè)格子負(fù)責(zé)對(duì)落入其中的目標(biāo)進(jìn)行檢測(cè)，一次性預(yù)測(cè)所有格子所含目標(biāo)的邊界框、置信度、以及所有類(lèi)別概率向量。
論文思想
- 將一幅圖像分成SxS個(gè)網(wǎng)格，如果某個(gè)object的中心落在這個(gè)網(wǎng)格中，則這個(gè)網(wǎng)絡(luò)就負(fù)責(zé)預(yù)測(cè)這個(gè)object
- 每個(gè)網(wǎng)格要預(yù)測(cè)B個(gè)bounding box，每個(gè)bounding box，除了要預(yù)測(cè)位置之外，還要附帶預(yù)測(cè)一個(gè)confidence值。每個(gè)網(wǎng)格還要預(yù)測(cè)c個(gè)類(lèi)別的分?jǐn)?shù)
網(wǎng)格單元（Grid Cell）
YOLO將目標(biāo)檢測(cè)問(wèn)題作為回歸問(wèn)題。會(huì)將輸入圖像分成 S × S S \times S S×S的網(wǎng)格（cell），如果一個(gè)物體的中心點(diǎn)落入到一個(gè)cell中，那么該cell就要負(fù)責(zé)預(yù)測(cè)該物體，一個(gè)格子只能預(yù)測(cè)一個(gè)物體，會(huì)生成兩個(gè)預(yù)測(cè)框。
對(duì)于每個(gè)網(wǎng)格單元cell：
- YOLOv1會(huì)預(yù)測(cè)兩個(gè)邊界框
- 每個(gè)邊界框包含5個(gè)元素： ( x , y , w , h ) (x,y,w,h) (x,y,w,h) 和 邊界框的置信度得分(box confidence score)
- 只負(fù)責(zé)預(yù)測(cè)一個(gè)目標(biāo)
- 預(yù)測(cè) C C C 個(gè)條件概率類(lèi)別（conditional class probabilities）
為了評(píng)估PASCAL VOC，YOLO V1使用 7×7 的網(wǎng)格（S×S），每個(gè)單元格回歸2個(gè)邊界框 和 20個(gè)條件類(lèi)別概率。條件類(lèi)別概率 (conditional class probability) 是檢測(cè)到的目標(biāo)屬于特定類(lèi)別的概率（每個(gè)單元對(duì)每個(gè)類(lèi)別有一個(gè)概率）。
最終的預(yù)測(cè)特征由邊框的位置、邊框的置信度得分以及類(lèi)別概率組成，這三者的含義如下：
- 邊框位置：對(duì)每一個(gè)邊框需要預(yù)測(cè)其中心坐標(biāo)及寬、高這4個(gè)量， 兩個(gè)邊框共計(jì)8個(gè)預(yù)測(cè)值
- 邊界框?qū)挾葁和高度h用圖像寬度和高度歸一化。因此 x , y , w , h x, y, w, h x,y,w,h 都在0和1之間。 x x x 和 y y y 是相應(yīng)單元格的偏移量。
- 置信度得分(box confidence score) c ：框包含一個(gè)目標(biāo)的可能性(objectness)以及邊界框的準(zhǔn)確程度。類(lèi)似于Faster RCNN 中是前景還是背景。由于有兩個(gè)邊框，因此會(huì)存在兩個(gè)置信度預(yù)測(cè)值。
- 類(lèi)別概率：由于PASCAL VOC數(shù)據(jù)集一共有20個(gè)物體類(lèi)別，因此這里預(yù)測(cè)的是邊框?qū)儆谀囊粋€(gè)類(lèi)別。
一個(gè)cell預(yù)測(cè)的兩個(gè)邊界框共用一個(gè)類(lèi)別預(yù)測(cè)， 在訓(xùn)練時(shí)會(huì)選取與標(biāo)簽IoU更大的一個(gè)邊框負(fù)責(zé)回歸該真實(shí)物體框，在測(cè)試時(shí)會(huì)選取置信度更高的一個(gè)邊框，另一個(gè)會(huì)被舍棄，因此整張圖最多檢測(cè)出49個(gè)物體。
網(wǎng)絡(luò)結(jié)構(gòu)
YOLO輸入圖像的尺寸為 448 × 448 448 \times 448 448×448，經(jīng)過(guò)24個(gè)卷積層，2個(gè)全連接的層（FC），最后在reshape操作，輸出的特征圖大小為 7 × 7 × 30 7 \times 7 \times 30 7×7×30。
- YOLO主要是建立一個(gè)CNN網(wǎng)絡(luò)生成預(yù)測(cè) 7 × 7 × 1024 7 \times 7 \times 1024 7×7×1024 的張量，
- 然后使用兩個(gè)全連接層執(zhí)行線(xiàn)性回歸，以進(jìn)行 7 × 7 × 2 7 \times 7 \times 2 7×7×2 邊界框預(yù)測(cè)。將具有高置信度得分（大于0.25）的結(jié)果作為最終預(yù)測(cè)。
- 在 3 × 3 3 \times 3 3×3的卷積后通常會(huì)接一個(gè)通道數(shù)更低 1 × 1 1 \times 1 1×1的卷積，這種方式既降低了計(jì)算量，同時(shí)也提升了模型的非線(xiàn)性能力。
- 除了最后一層使用了線(xiàn)性激活函數(shù)外，其余層的激活函數(shù)為 Leaky ReLU ;
- 在訓(xùn)練中使用了 Dropout 與數(shù)據(jù)增強(qiáng)的方法來(lái)防止過(guò)擬合。
- 對(duì)于最后一個(gè)卷積層，它輸出一個(gè)形狀為 (7, 7, 1024) 的張量。 然后張量展開(kāi)。使用2個(gè)全連接的層作為一種線(xiàn)性回歸的形式，它輸出 個(gè)參數(shù)，然后重新塑形為 (7, 7, 30) 。
損失函數(shù)
YOLO V1每個(gè)網(wǎng)格單元能夠預(yù)測(cè)多個(gè)邊界框。為了計(jì)算true positive的損失，只希望其中一個(gè)框負(fù)責(zé)該目標(biāo)，為此選擇與GT具有最高IOU的那個(gè)框
- YOLO正樣本選擇
- 當(dāng)一個(gè)真實(shí)物體的中心點(diǎn)落在了某個(gè)cell內(nèi)時(shí)，該cell就負(fù)責(zé)檢測(cè)該物體。
- 具體做法是將與該真實(shí)物體有最大IoU的邊框設(shè)為正樣本， 這個(gè)區(qū)域的類(lèi)別真值為該真實(shí)物體的類(lèi)別，該邊框的置信度真值為1。
- YOLO負(fù)樣本選擇
- 除了上述被賦予正樣本的邊框，其余邊框都為負(fù)樣本。負(fù)樣本沒(méi)有類(lèi)別損失與邊框位置損失，只有置信度損失，其真值為0。
YOLO使用預(yù)測(cè)值和GT之間的誤差平方的求和（MSE）來(lái)計(jì)算損失。 損失函數(shù)包括
- localization loss -> 坐標(biāo)損失（預(yù)測(cè)邊界框與GT之間的誤差）
- classification loss -> 分類(lèi)損失
- confidence loss -> 置信度損失（框里有無(wú)目標(biāo), objectness of the box)
坐標(biāo)損失
坐標(biāo)損失也分為兩部分，坐標(biāo)中心誤差和位置寬高的誤差，其中 1 i j o b j \mathbb{1}^{obj}_{ij} 1ijobj? 表示第i個(gè)網(wǎng)格中的第j個(gè)預(yù)測(cè)框是否負(fù)責(zé)obj這個(gè)物體的預(yù)測(cè)，只有當(dāng)某個(gè)預(yù)測(cè)框?qū)δ硞€(gè)物體負(fù)責(zé)的時(shí)候，才會(huì)對(duì)box的coordinate error進(jìn)行懲罰，而對(duì)哪個(gè)物體負(fù)責(zé)就看其預(yù)測(cè)值和GT box的IoU是不是在那個(gè)網(wǎng)格的所有box中最大。
我們可以看到，對(duì)于中心點(diǎn)的損失直接用了均方誤差，但是對(duì)于寬高為什么用了平方根呢？這里是這樣的，我們先來(lái)看下圖：
上圖中，藍(lán)色為bounding box，紅色框?yàn)檎鎸?shí)標(biāo)注，如果W和h沒(méi)有平方根的話(huà)，那么bounding box跟兩個(gè)真實(shí)標(biāo)注的位置loss是相同的。但是從面積看來(lái)B框是A框的25倍，C框是B框的81/25倍。B框跟A框的大小偏差更大，所以不應(yīng)該有相同的loss。
如果W和h加上平方根，那么B對(duì)A的位置loss約為3.06，B對(duì)C的位置loss約為1.17，B對(duì)A的位置loss的值更大，這更加符合我們的實(shí)際判斷。所以，算法對(duì)位置損失中的寬高損失加上了平方根。
而公式中的
λ
c
o
o
r
d
\lambda_{coord}
λcoord? 為位置損失的權(quán)重系數(shù)，在pascal VOC訓(xùn)練中取5。
置信度損失
置信度也分成了兩部分，一部分是包含物體時(shí)置信度的損失，一個(gè)是不包含物體時(shí)置信度的值。
其中前一項(xiàng)表示有無(wú)人工標(biāo)記的物體落入網(wǎng)格內(nèi)，如果有，則為1，否則為0.第二項(xiàng)代表預(yù)測(cè)框bounding box和真實(shí)標(biāo)記的box之間的IoU。值越大則box越接近真實(shí)位置。
confidence是針對(duì)預(yù)測(cè)框bounding box的，由于每個(gè)網(wǎng)格有兩個(gè)bounding box，所以每個(gè)網(wǎng)格會(huì)有兩個(gè)confidence與之相對(duì)應(yīng)。
從損失函數(shù)上看，當(dāng)網(wǎng)格i中的第j個(gè)預(yù)測(cè)框包含物體的時(shí)候，用上面的置信度損失，而不包含物體的時(shí)候，用下面的損失函數(shù)。對(duì)沒(méi)有物體的預(yù)測(cè)框的置信度損失，賦予小的loss weight， 記為在pascal VOC訓(xùn)練中 λ n o o b j \lambda_{noobj} λnoobj?取0.5。有有物體的預(yù)測(cè)框的置信度損失和類(lèi)別的loss的loss weight正常取1。
類(lèi)別損失
類(lèi)別損失這里也用了均方誤差。其中 1 i o b j \mathbb{1}^{obj}_{i} 1iobj? 表示有無(wú)物體的中心點(diǎn)落到網(wǎng)格i中，如果網(wǎng)格中包含有物體object的中心的話(huà)，那么就負(fù)責(zé)預(yù)測(cè)該object的概率。文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-464573.html
YOLOv1的缺點(diǎn)
由于YOLOV1的框架設(shè)計(jì)，該網(wǎng)絡(luò)存在以下缺點(diǎn)：文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-464573.html
- 每個(gè)網(wǎng)格只對(duì)應(yīng)兩個(gè)bounding box，當(dāng)物體的長(zhǎng)寬比不常見(jiàn)(也就是訓(xùn)練數(shù)據(jù)集覆蓋不到時(shí))，效果較差。
- 原始圖片只劃分為7x7的網(wǎng)格，當(dāng)兩個(gè)物體靠的很近時(shí)，效果比較差。
- 最終每個(gè)網(wǎng)格只對(duì)應(yīng)一個(gè)類(lèi)別，容易出現(xiàn)漏檢(物體沒(méi)有被識(shí)別到)。
- 對(duì)于圖片中比較小的物體，效果比較差。這其實(shí)是所有目標(biāo)檢測(cè)算法的通病。
到了這里，關(guān)于yolov1詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
