目標(biāo)檢測(cè)算法：YOLO v1論文解讀

前言

? 其實(shí)網(wǎng)上已經(jīng)有很多很好的解讀各種論文的文章了，但是我決定自己也寫一寫，當(dāng)然，我的主要目的就是幫助自己梳理、深入理解論文，因?yàn)閷懳恼?，你必須把你所寫的東西表達(dá)清楚而正確，我認(rèn)為這是一種很好的鍛煉，當(dāng)然如果可以幫助到網(wǎng)友，也是很開心的事情。

說明

? 如果有筆誤或者寫錯(cuò)誤的地方請(qǐng)指出（勿噴），如果你有更好的見解也可以提出，我也會(huì)認(rèn)真學(xué)習(xí)。

原始論文地址

? 點(diǎn)擊這里，或者復(fù)制鏈接

https://arxiv.org/abs/1506.02640

目錄結(jié)構(gòu)

1. 文章內(nèi)容概述：

? 作者提出了一種新的目標(biāo)檢測(cè)方法，是一種單階段檢測(cè)方法，稱其為YOLO，全稱為You only look once。這個(gè)方法的主要特點(diǎn)是不再生成區(qū)域建議框，而是全部交給網(wǎng)絡(luò)架構(gòu)來實(shí)現(xiàn)，是真正的端到端結(jié)構(gòu)（其實(shí)并不是嚴(yán)格意義上的端到端，因?yàn)檫€需要進(jìn)行后處理操作）。

? 正是因?yàn)闆]有了區(qū)域建議框的生成，其運(yùn)行速度非常快，可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，但是同樣的，其mAP和最先進(jìn)的檢測(cè)方法Faster-RCNN比還是較低。

2. YOLO流程介紹：

? 如果你看了我之前的關(guān)于RCNN、Fast-RCNN、Faster-RCNN的解讀，你馬上就會(huì)感概，YOLO真的好簡(jiǎn)單。

? 論文原圖如下：

? 對(duì)上圖進(jìn)行簡(jiǎn)單的說明：

• 首先，將輸入圖片改變大?。ㄒ话闶侨〈蟮姆直媛?，文中取得的是448*448）

問題：為什么要取大分辨率圖像？

? 因?yàn)闄z測(cè)問題需要更細(xì)致的信息，因此提高分辨率。

• 然后，將該圖片傳輸給CNN架構(gòu)，然后產(chǎn)生輸出（即預(yù)測(cè)框和類別預(yù)測(cè)信息）

3. CNN架構(gòu)：

? 這里作者自己設(shè)計(jì)了CNN架構(gòu)，當(dāng)然，對(duì)于讀了這么多的CNN架構(gòu)論文來說，小case（如果你是無基礎(chǔ)直接看的話，當(dāng)我沒說，此時(shí)建議你可以先看看基礎(chǔ)的）。

? 論文原圖如下：

? 具體的網(wǎng)絡(luò)架構(gòu)就不談了，只是要注意，其實(shí)網(wǎng)絡(luò)架構(gòu)中用到了激活函數(shù)，并且不是我們常規(guī)的ReLu激活函數(shù)，而是leaky relu（最后一層還是relu）：

? 另外，需要注意它的輸出，**這是最重要的部分。**因?yàn)樗妮敵龊臀覀兤綍r(shí)的輸出不一樣，因?yàn)闊o論是圖像分類的架構(gòu)，還是之前的兩階段檢測(cè)算法，輸出就沒有三維結(jié)構(gòu)的。

? 那么，7*7*30是什么意思？下面先分開解釋，再結(jié)合一起解釋。

解釋：7*7含義

? 作者將一張圖像劃分為S*S個(gè)網(wǎng)格，如下圖（S=7）：

? 作者認(rèn)為：

• 如果某個(gè)物體對(duì)象中心落在某一網(wǎng)格中，那么該網(wǎng)格就負(fù)責(zé)該對(duì)象的檢測(cè)
• 每個(gè)單元格預(yù)測(cè)B個(gè)邊界框和其對(duì)應(yīng)的置信度分?jǐn)?shù)，以及一組類概率（比如總共20個(gè)類別，則產(chǎn)生20個(gè)概率值）

? 其中，置信度公式和概率公式分別如下，其中Pr(object)取{0,1}，表示該網(wǎng)格有對(duì)象，則取值為1，否則取值為0。

解釋：30含義

? 30=（4+1）*2+20，其中4和1分別表示4個(gè)坐標(biāo)值（x，y，w，h）和一個(gè)置信度分?jǐn)?shù)；2表示每個(gè)單元格預(yù)測(cè)2個(gè)邊界框，那么自然需要乘以2；20是因?yàn)閿?shù)據(jù)集共20個(gè)類別。

解釋：7*7*30怎么才能滿足我們的要求？

? 神經(jīng)網(wǎng)絡(luò)的神奇之處，就是在于我們可以讓它去適應(yīng)任意的任務(wù)。比如這里，我們需要它按照我們的想象輸出7*7*30，并且這里的值必須為我們所想的（比如30里面為坐標(biāo)值、概率值等）。想要讓它輸出和我們想得一樣，就必須讓它在訓(xùn)練的時(shí)候，告訴它，30里面的值我們要用來生成預(yù)測(cè)框和判斷類別。而，這個(gè)控制它的過程，就是定義一個(gè)優(yōu)秀的損失函數(shù)，讓7*7*30的值各有所用。

4. 損失函數(shù)：

? 原文中，給出的損失函數(shù)公式如下：

? 下面進(jìn)行一一解讀：

1[上標(biāo)：obj，下標(biāo)：ij] 、 1[上標(biāo)：noobj，下標(biāo)：ij] 和 1[上標(biāo)：obj，下標(biāo)：i] 含義：

? 1[上標(biāo)：obj，下標(biāo)：i]，表示如果對(duì)象在單元格i中，則取值為1，否則取值為0。

? 1[上標(biāo)：obj，下標(biāo)：ij]，表示如果對(duì)象在單元格i的第j個(gè)邊界框中，則取值為1，否則取值為0。

? 1[上標(biāo)：noobj，下標(biāo)：ij]，與上面恰好相反，即如果對(duì)象沒有出現(xiàn)在單元格i的第j個(gè)邊界框中，則取值為1，否則取值為0。

S和B 含義：

? S就是一張圖片劃分為多少個(gè)單元格，文中為7*7。

? B就是一個(gè)單元格有B個(gè)邊界框預(yù)測(cè)，文中為2。

xi、yi、wi、hi、Ci、pi? 含義：

? xi、yi、wi、hi就是中心點(diǎn)坐標(biāo)值和預(yù)測(cè)框的寬高。

? Ci是預(yù)測(cè)框的置信度分?jǐn)?shù)，公式上面已經(jīng)給過了。

? pi? （小寫c）是一個(gè)邊框的一組概率值（向量）。

? 在這些變量上加上*號(hào)，表示為真實(shí)值。

λcoord，λnoobj 含義：

? 這兩個(gè)值是超參數(shù)，主要是平衡值。因?yàn)?，不包含?duì)象的預(yù)測(cè)框肯定是多數(shù)，這會(huì)導(dǎo)致計(jì)算損失時(shí)，值失衡。因此一般會(huì)讓?duì)薱oord值取得比較大，比如5，λnoobj取得比較小，比如0.5。

各行表達(dá)式的含義：

? 第一行+第二行 = 預(yù)測(cè)框（有對(duì)象的預(yù)測(cè)框）的回歸損失，可以看出采取的時(shí)類似于MSE的損失，準(zhǔn)確來說，后面所有的損失都采取的類似MSE的損失（這是一個(gè)缺點(diǎn)，分類損失還是用交叉熵好一點(diǎn)）。

? 第三行+第四行 = 分別為有無對(duì)象的預(yù)測(cè)框的置信度損失值。

? 第五行 = 分類損失值。

5. 注意點(diǎn)：

? 在上面寫的時(shí)候，有一句”如果某對(duì)象的中心落在某單元格，則這個(gè)單元格負(fù)責(zé)該對(duì)象的檢測(cè)“。而在后面中，經(jīng)常會(huì)有”如果某對(duì)象落在第i個(gè)單元格中“，這里對(duì)象落在某單元格就是指的是對(duì)象中心落在單元格中。

? 另外，一個(gè)單元格有多個(gè)框，是否所有框都負(fù)責(zé)對(duì)象？不是的，而是IOU最大的負(fù)責(zé)預(yù)測(cè)，這樣可以讓不同的框產(chǎn)生不同的作用，有利于提高召回率。

6. 總結(jié)：

? YOLO的特殊之處在于損失函數(shù)的構(gòu)建和網(wǎng)絡(luò)輸出的利用。不過YOLO v1仍然有許多的缺點(diǎn)，比如預(yù)測(cè)框太少（7*7*2=98個(gè)）、損失函數(shù)中分類沒有交叉熵?fù)p失等等。

? 不過，YOLO相比于兩階段檢測(cè)方法，的確很簡(jiǎn)單，這也是它的一大優(yōu)點(diǎn)。文章來源地址http://www.zghlxwxcb.cn/news/detail-472077.html

到了這里，關(guān)于目標(biāo)檢測(cè)算法：YOLO v1論文解讀的文章就介紹完了。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)！