前言

從R-CNN到Fast-RCNN，之前的目標(biāo)檢測工作都是分成兩階段，先提供位置信息在進(jìn)行目標(biāo)分類，精度很高但無法滿足實(shí)時(shí)檢測的要求。

而YoLo將目標(biāo)檢測看作回歸問題，輸入為一張圖片，輸出為S*S*(5*B+C)的三維向量。該向量結(jié)果既包含位置信息，又包含類別信息?？赏ㄟ^損失函數(shù)，將目標(biāo)檢測與分類同時(shí)進(jìn)行，能夠滿足實(shí)時(shí)性要求。

接下來給出YOLOV1的網(wǎng)絡(luò)結(jié)構(gòu)圖

?

核心思想

YOLO將目標(biāo)檢測問題作為回歸問題。會(huì)將輸入圖像分為S*S的網(wǎng)格，如果一個(gè)物體的中心點(diǎn)落到一個(gè)cell中，那么該cell就要負(fù)責(zé)預(yù)測該物體，一個(gè)格子只能預(yù)測一個(gè)物體，同時(shí)會(huì)生成B個(gè)預(yù)測框。

對(duì)于每個(gè)cell:

• 含有B個(gè)預(yù)測邊界框，這些框大小尺寸等等都隨便，只有一個(gè)要求，就是生成框的中心點(diǎn)必須在cell中，每個(gè)框都有一個(gè)置信度分?jǐn)?shù)（confidence score）。這些框的置信度分?jǐn)?shù)反映了該模型對(duì)某個(gè)框內(nèi)是否含有目標(biāo)的置信度，以及它對(duì)自己的預(yù)測的準(zhǔn)確度的估量。

• 每個(gè)cell還預(yù)測了C類的條件概率，即每個(gè)單元格只存在一組類別概率，而不考慮框B的數(shù)量。

• 每個(gè)預(yù)測邊界框包含5個(gè)元素：（x,y,w,h, c) 其中 x,y,w,h表示該框中心位置， c為該框的置信度

• 不管框B的數(shù)量多少，該cell只負(fù)責(zé)預(yù)測一個(gè)目標(biāo)

綜上，S*S個(gè)網(wǎng)格，每個(gè)網(wǎng)格要預(yù)測B個(gè)bounding box，還要預(yù)測C個(gè)類。網(wǎng)絡(luò)輸出為S*S*(5*B+C)。 （S*S個(gè)網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)都有B個(gè)預(yù)測框，每個(gè)框又有五個(gè)參數(shù)，在加上每個(gè)網(wǎng)格都有C個(gè)類別）

?

最終的預(yù)測特征由邊界框位置、邊框的置信度得分以及類別概率，即S*S*(5*B+C)， 這里是 7*7*（2*5+20）

訓(xùn)練過程

對(duì)于一個(gè)網(wǎng)絡(luò)模型，損失函數(shù)的目的是要縮小預(yù)測值和標(biāo)簽之間的差距。對(duì)于YOLOV1網(wǎng)絡(luò)來說，每個(gè)cell含有5*B+C個(gè)預(yù)測值，我們?cè)谟?xùn)練過程中該如何獲得與之對(duì)應(yīng)的label.

這5*B+C個(gè)預(yù)測值的含義在上面已經(jīng)給出（S*S個(gè)網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)都有B個(gè)預(yù)測框，每個(gè)框又有五個(gè)參數(shù)，在加上每個(gè)網(wǎng)格都有C個(gè)類別），因此我們實(shí)際需要給出的label為每個(gè)預(yù)測框的四個(gè)坐標(biāo)及其置信度，和每個(gè)cell對(duì)應(yīng)的類別。

• 每個(gè)預(yù)測框的四個(gè)坐標(biāo)（x, y, w, h）的label為該預(yù)測框所在cell中目標(biāo)物體的坐標(biāo)

• 每個(gè)預(yù)測框的置信度c，反映了該模型對(duì)某個(gè)框內(nèi)是否含有目標(biāo)的置信度，以及它對(duì)自己的預(yù)測的準(zhǔn)確度的估量，是讓網(wǎng)絡(luò)學(xué)會(huì)自我評(píng)價(jià)候選框的功能。因此它所對(duì)應(yīng)的label計(jì)算相對(duì)復(fù)雜。我們將置信度定義為。 Pr(Object)=[0, 1]， 如果該單元格內(nèi)不存在目標(biāo)（即Pr(Object)=0）,則置信度分?jǐn)?shù)為0。 如果單元格內(nèi)存在目標(biāo)，即（Pr(Object)=1）,我們希望置信度分?jǐn)?shù)等于預(yù)測框和真實(shí)框之間的交并比（IOU）。

• 每個(gè)cell對(duì)應(yīng)的類別概率C，參數(shù)數(shù)量與該模型類別數(shù)量保持一致，label為one-hot編碼。

• 此外，根據(jù)公式推算，我們發(fā)現(xiàn)用置信度*某一類別的概率=即得到了一個(gè)特殊的置信度分?jǐn)?shù)，表示每個(gè)預(yù)測框中具體某個(gè)類別的置信度

損失函數(shù)

YOLOV1的損失函數(shù)被分為坐標(biāo)損失、置信度損失和網(wǎng)格類別損失三種

坐標(biāo)損失

?簡要介紹下四個(gè)坐標(biāo)（x,y,w,h）的含義，x,y表示預(yù)測框中心點(diǎn)坐標(biāo)，w,h表示預(yù)測框的寬高。

表示第i個(gè)cell中的第j個(gè)預(yù)測框是否負(fù)責(zé)檢測物體，同一個(gè)cell中僅有IOU值最高的一個(gè)框會(huì)負(fù)責(zé)檢測物體，并約束其坐標(biāo)

第一行表示中心點(diǎn)的坐標(biāo)損失，第二行表示寬高的損失，至于為何對(duì)寬高加根號(hào)，是為了消除大小框不同的影響。

舉個(gè)例子，以預(yù)測框的寬度為例，不加根號(hào)的話，若目標(biāo)框?qū)挒?00，預(yù)測結(jié)果為90，差值為10，誤差為10%，損失為（90-100）^2 = 100; 若目標(biāo)框?qū)?0，預(yù)測結(jié)果為9，差值為1，誤差為10%，損失為（9-10）^2=1?？梢钥闯?，同樣的預(yù)測差值，產(chǎn)生了同樣的損失，但是這個(gè)差值給大小框帶來的誤差差了10倍，而如何利用這個(gè)損失值去修正誤差的話，對(duì)大的預(yù)測框來說，微調(diào)10%，對(duì)小的預(yù)測框來說，重調(diào)100%。

而加了根號(hào)之后，若目標(biāo)框?qū)挒?00，預(yù)測結(jié)果為90，差值為10，誤差為10%，損失為0.263；若目標(biāo)框?qū)?0，預(yù)測結(jié)果為9，差值為1，誤差為10%，損失為0.0263。同樣的誤差，對(duì)于大小框之間的懲罰從原來的百倍差距，降為10倍差距，即提升了對(duì)小框的懲罰力度，畢竟對(duì)于小的預(yù)測框，一點(diǎn)點(diǎn)偏差都會(huì)產(chǎn)生很大的影響。（模型對(duì)大小框的約束能力能存在十倍差距，是否可以進(jìn)一步改進(jìn)）

置信度損失

?

表示第i個(gè)cell中的第j個(gè)預(yù)測框是否負(fù)責(zé)檢測物體， 表示第i個(gè)cell中的第j個(gè)預(yù)測框是否不負(fù)責(zé)檢測物體，兩個(gè)數(shù)值含義相反。 表示該預(yù)測框的真實(shí)置信度，通過上述公式計(jì)算得出， 表示模型預(yù)測的置信度，此部分損失函數(shù)是為了讓模型掌握自我評(píng)價(jià)的能力，為測試過程選擇最佳預(yù)測框用。

第一行表示負(fù)責(zé)檢測物體的框的置信度損失，第二行表示不負(fù)責(zé)檢測物體的框的置信度損失 (問：兩種置信度之間有什么區(qū)別)

分類損失

?

表示第i個(gè)cell內(nèi)是否存在目標(biāo)物體

測試過程

測試過程就非常簡單了，對(duì)于一次前向傳播得到的S * S *B個(gè)預(yù)測框，根據(jù)各個(gè)候選框?qū)?yīng)的置信度分?jǐn)?shù)，利用非極大值自抑（NMS），最終得到所有預(yù)測結(jié)果。

非極大值自抑制(NMS)：所有預(yù)測框，按照置信度分?jǐn)?shù)從大到小排序。第一輪，選擇置信度最高的預(yù)測框作為基準(zhǔn)，然后所有其他預(yù)測框按順序依次計(jì)算與基準(zhǔn)預(yù)測框的IOU值（提前設(shè)置一個(gè)閾值，當(dāng)IOU大于這個(gè)閾值，則認(rèn)為兩個(gè)預(yù)測框高度重合，預(yù)測的是同一個(gè)物體），對(duì)于和基準(zhǔn)預(yù)測框重合的則直接淘汰。一輪結(jié)束后，排除上一輪的基準(zhǔn)，重新選擇新的預(yù)測框作為基準(zhǔn)重復(fù)上述步驟。

缺點(diǎn)

• 每個(gè)cell只能預(yù)測一類物體，對(duì)于密度大的小物體無法預(yù)測

• 定位損失占比較大（包括坐標(biāo)損失和置信度損失），致使模型更加側(cè)重定位物體，分類能力相對(duì)較弱

• 測試時(shí)，如果同意物體的長寬比發(fā)生變化，則難以泛化。

論文鏈接：You Only Look Once: Unified, Real-Time Object Detection

源碼地址：mirrors / alexeyab / darknet

參考內(nèi)容：【YOLO系列】YOLOv1論文超詳細(xì)解讀（翻譯 ＋學(xué)習(xí)筆記）

下一篇：【目標(biāo)檢測系列】YOLOV2解讀_懷逸%的博客-CSDN博客???????文章來源地址http://www.zghlxwxcb.cn/news/detail-635312.html

到了這里，關(guān)于【目標(biāo)檢測系列】YOLOV1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)！