YOLOv1-darknet 内容解析

目錄

• • 1. 核心思想
  • 2. 特點
  • 3. 缺點
  • 4. 算法流程
  • 5. 詳細内容
  • 6. 主要參考

目标檢測分為二階段和一階段的方法，二階段方法主要有Fast R-CNN系列，Mask R-CNN等，主要方法是用算法生成一些列作為樣本的候選框，然後再使用卷積神經網絡進行樣本的分類；

一階段方法（End to End方法）主要有SSD系列，YOLO系列，這種方法是将目标邊框的定位問題轉化為回歸問題處理。

由于思想的不同，二階段檢測方法在檢測準确率和定位精度有優勢，一階段檢測方法在速度上占有優勢。

是以YOLO的核心思想是,直接在輸出層回歸bounding box的位置和bounding box所屬的類别(整張圖作為網絡的輸入，把 Object Detection 的問題轉化成一個 Regression 問題)。

1. 速度快，因為沒有複雜的檢測流程，隻需要将圖像輸入到神經網絡就可以得到檢測結果，YOLO可以非常快的完成物體檢測任務。
2. YOLO在訓練和測試時都能夠看到一整張圖像的資訊，是以YOLO在檢測物體時能很好的利用上下文資訊，進而不容易在背景上預測出錯誤的物體資訊。
3. YOLO可以學到物體的泛化特征：當YOLO在自然圖像上做訓練，在藝術作品上做測試時，YOLO表現的性能比DPM、R-CNN等之前的物體檢測系統要好很多。因為YOLO可以學習到高度泛化的特征，進而遷移到其他領域。

1. YOLO的物體檢測精度低于其他state-of-the-art的物體檢測系統。
2. YOLO容易産生物體的定位錯誤。
3. YOLO對小物體的檢測效果不好（尤其是密集的小物體，因為一個栅格隻能預測2個物體）。

1. Resize成448 \(\times\) 448，圖檔分割得到7 \(\times\) 7 網格(cell)
2. CNN提取特征和預測：卷積部分負責提特征。全連結部分負責預測：
   1. 7 \(\times\) 7 \(\times\) 2 = 98個bounding box的坐标（x,y,w,h,confidence）
   2. 7 \(\times\) 7 = 49個cell所屬20個物體的機率
3. 過濾得到的bbox, 使用nms算法

網絡示意圖：

最後reshape層的計算：（5 = x,y,w,h,confidence）

\[filter = （BboxNum\times5+Class）

\]

這裡BboxNum = 2, Class = 20,是以filter是30。

網絡結構借鑒了 GoogLeNet 。24個卷積層，2個全連結層。（用1×1 reduction layers 緊跟 3×3 convolutional layers 取代Goolenet的 inception modules ）

每個1 \(\times\) 1 \(\times\) 30 對應其中一個cell, 每個cell需要預測兩個bounding box的中心坐标（\(x_c\),\(y_c\),\(w\),\(h\)）,其中\(x_c,y_c\)被歸一化到01之間，w,h通過圖像的width和height歸一化到01之間。 每個bounding box除了要回歸自身的位置之外，還要附帶預測一個confidence值。 這個confidence代表了所預測的box中含有object的置信度和這個box預測的有多準兩重資訊：

\[confidence=Pr(Object)\times IOU^{truth}_{pred}

第一項：$$Pr(Object)$$: 代表的是如果人工标注的框(ground truth box)落在一個gird cell中，則取1，否則取0。

第二項: $$IOU^{truth}_{pred}$$: 預測的bounding box和實際的ground truth box之間的IOU值。

這樣前10個框來源就清楚了，即：\(BboxNum \times 5\).

剩餘的20次元是用來對20個類進行預測，是以總共需要輸出是 $$7 \times 7 \times (5 \times 2 + 20)$$。

關鍵内容：損失函數的設計

說明：每行是一個cell對應的兩個bounding Box的相關資訊，一共有\(7\times7\)這麼多的行

對應類别計算方法，需要與confidence相乘，得到以下矩陣：

按照下圖所示步驟進行操作，這隻是示意其中一個類，每一行都要進行如下操作：

在所有做完nms之後選擇對應的框畫出來

得到以下效果：

總圖：

損失函數由三個方面組成，一個是定位損失（localization error），一個是置信度損失，一個是分類損失（classification error）。簡單的全部采用了sum-squared error loss來做這件事會有以下不足：

1. 8維的localization error和20維的classification error同等重要是不合理的；(真實框的中心x坐标減去yolo實際預測框的中心x尖 )
2. 如果一個網格中沒有object（一幅圖中這種網格很多），那麼就會将這些網格中的box的confidence逼近到0，相比于較少的有object的網格，這種做法是overpowering的，這會導緻網絡不穩定甚至發散。

如何解決，重新設計新的loss計算方案：

1. 更重視8維的坐标預測，給這些損失前面賦予更大的loss weight, 記為\(\lambda_{coord}\),即坐标預測部分内容。（上圖藍色框）
2. 對沒有object的bbox的confidence loss，賦予小的loss weight，記為 \(\lambda_{coord}\)，在pascal VOC訓練中取0.5。（上圖橙色框）
3. 有object的bbox的confidence loss (上圖紅色框) 和類别的loss （上圖紫色框）的loss weight正常取1。
4. 對不同大小的bbox預測中，相比于大bbox預測偏一點，小box預測偏一點更不能忍受。而sum-square error loss中對同樣的偏移loss是一樣。 為了緩和這個問題，作者用了一個比較取巧的辦法，就是将box的width和height取平方根代替原本的height和width。 如下圖：small bbox的橫軸值較小，發生偏移時，反應到y軸上的loss（下圖綠色）比big box(下圖紅色)要大。

5. 

6. 一個網格預測多個bounding box，在訓練時我們希望每個object（ground true box）隻有一個bounding box專門負責（一個object 一個bbox）。具體做法是與ground true box（object）的IOU最大的bounding box 負責該ground true box(object)的預測。這種做法稱作bounding box predictor的specialization(專職化)。每個預測器會對特定（sizes,aspect ratio or classed of object）的ground true box預測的越來越好。（個人了解：IOU最大者偏移會更少一些，可以更快速的學習到正确位置）

7. 測試階段，使用nms的時候，按照以下方式進行衡量是否保留改框：

   \[Pr(Class_i|Object)\times Pr(Object)\times IOU^{truth}_{pred}=Pr(Class_i)\times IOU^{truth}_{pred}

https://zhuanlan.zhihu.com/p/24916786

https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_1738

代碼改變世界