YOLO文章详细解读 - 好文

文章《You Only Look Once: Unified, Real-Time Object Detection》
<https://arxiv.org/abs/1506.02640>提出方法下面简称YOLO。

目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派：
1.两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)，
2.一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)

之前的R-CNN系列虽然准确率比较高，但是即使是发展到Faster
R-CNN，检测一张图片如下图所示也要7fps(原文为5fps)，为了使得检测的工作能够用到实时的场景中，提出了YOLO。

YOLO的检测思想不同于R-CNN系列的思想，它将目标检测作为回归任务来解决。
下面来看看YOLO的整体结构：

由上两图所示，网络是根据GoogLeNet改进的，输入图片为448*448大小，输出为7×7×(2×5+20)7×7×(2×5+20)
，现在看来这样写输出维度很奇怪，下面来看一下输出是怎么定义的。

将图片分为S×SS×S个单元格(原文中S=7)，之后的输出是以单元格为单位进行的：
1.如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。
2.每个单元格需要预测B个bbox值(bbox值包括坐标和宽高，原文中B=2)，同时为每个bbox值预测一个置信度(confidence
scores)。也就是每个单元格需要预测B×(4+1)个值。
3.每个单元格需要预测C(物体种类个数，原文C=20，这个与使用的数据库有关)个条件概率值.
所以，最后网络的输出维度为S×S×(B×5+C)S×S×(B×5+C)
，这里虽然每个单元格负责预测一种物体(这也是这篇文章的问题，当有小物体时可能会有问题)，但是每个单元格可以预测多个bbox值(这里可以认为有多个不同形状的bbox，为了更准确的定位出物体，如下图所示)。

因为这里是当作回归问题来解决的，所以所有的输出包括坐标和宽高最好都定义在0到1之间。网上看见一张比较详细的图如下。

来看一下每个单元格预测的B个(x,y,w,h,confidence)的向量和C的条件概率中，每个参数的含义(假设图片宽为{w_i}高为{hi}，将图片分为S×
SS×S)：
1.(x,y)是bbox的中心相对于单元格的offset
对于下图中蓝色框的那个单元格(坐标为(xcol=1,yrow=4)(xcol=1,yrow=4)
)，假设它预测的输出是红色框的bbox,设bbox的中心坐标为(xc,yc)(xc,yc)
,那么最终预测出来的(x,y)是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下：
x=xcwiS−xcol,y=ychiS−yrowx=xcwiS−xcol,y=ychiS−yrow

2.(w,h)是bbox相对于整个图片的比例
预测的bbox的宽高为wb,hbwb,hb，(w,h)表示的是bbox的是相对于整张图片的占比，计算公式如下:
w=wbwi,h=hbhiw=wbwi,h=hbhi

3.confidence
这个置信度是由两部分组成，一是格子内是否有目标，二是bbox的准确度。定义置信度为Pr(Object)∗IOUtruthpredPr(Object)∗IOU
predtruth。
这里，如果格子内有物体，则Pr(Object)=1Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0Pr(Obj
ect)=0，此时置信度为0

4.C类的条件概率
条件概率定义为Pr(Classi|Object)Pr(Classi|Object)，表示该单元格存在物体且属于第i类的概率。

在测试的时候每个单元格预测最终输出的概率定义为，如下两图所示（两幅图不一样，代表一个框会输出B列概率值）
Pr(Classi|Object)∗Pr(Object)∗IOUtruthpred=Pr(Classi)∗IOUtruthpredPr(Classi|Obje
ct)∗Pr(Object)∗IOUpredtruth=Pr(Classi)∗IOUpredtruth

最后将(S×S)×B×20(S×S)×B×20 列的结果送入NMS，最后即可得到最终的输出框结果

最后来看一下训练YOLO使用的损失函数定义(本想自己用latex打的，后来有个符号一直打不出来，使用网友的图如下)

这里强调两点：

1.每个图片的每个单元格不一定都包含object，如果没有object，那么confidence就会变成0，这样在优化模型的时候可能会让梯度跨越太大，模型不稳定跑飞了。为了平衡这一点，在损失函数中，设置两个参数
λcorrdλcorrd和λnoobjλnoobj，其中λcorrdλcorrd控制bbox预测位置的损失，λnoobjλnoobj控制单个格内没有目标的损失。
2.对于大的物体，小的偏差对于小的物体影响较大，为了减少这个影响，所以对bbox的宽高都开根号。

参考
1.
https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_1822

<https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_1822>
2.https://blog.csdn.net/u011974639/article/details/78208773
<https://blog.csdn.net/u011974639/article/details/78208773>

热门工具换一换