简介

YOLO(you only look once)是最近很火爆的一种目标检测模型，之前一直想研究，但是苦于大学期间太忙，前段时间又忙于考研，所以一直没有来得及动笔。最近终于闲下来好好研究一下。
话不多说，进入正题。

YOLO与目标检测

相较于以往两阶段的检测模型，YOLO做到了一次检测，两个结果，即兼顾了物体位置和类别。而且在此基础上保证了不错的精度和速度。
这是目标检测的发展历程。

Yolo系列发表日期全部在Faster RCNN之后，Faster RCNN算法的精度是state-of-the-art级别的，Yolo算法的精度没有超越Faster RCNN，而是在速度与精度之间进行权衡。Yolo v3在改进多次之后，既有一定的精度，也保持了较高的运行速度。在很多边缘计算、实时性要求较高的任务中，Yolo v3备受青睐。在RCNN算法日益成熟之后，Yolo算法却能横空出世，离不开其高性能和使用回归思想做物体检测的两个特点。

YOLO算法原理

直接来一张YOLO的模型结构图

简单分析一下吧：输入是448 * 448，经过若干卷积变成7 * 7 * 1024的张量，然后全连接，然后reshape成7 * 7 * 30的张量，至于中间的激活函数和Dropout什么的我就不再赘述了，和其他的神经网络也差不多。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的

训练的数据集格式

图片就是简单的png或者jpg，标签多用xml格式的数据，里面必须包含图片内物品的名字、坐标。常用的开源数据集有：voc、coco等。也可以自己搭建训练数据，通过打标软件，构建img和label文件夹。下面是图片及标签的示例：

最后一维输出的张量

这里的输出维度非常重要，下面逐一解释。
从上文我们可知，最后一维的张量是7 * 7 * 30的。其中：7 * 7表示的yolo将图片分成49个小格子，每一个小格子所生成的若干个矩形框用来预测一种物体。

我们取出其中的一个小格子，他的长度是30，也就是说一个小格子里有30个输出的信息。如下图所示，我们来仔细研究下其中具体包含了什么。

30=5+5+20，有意一个小格子可以生成2个bbox，所以这里有两个5，也就是有2组bbox的信息，当然生成几个bbox是可以自己确定的，不过模型的输出维度也要随之改变。

• 两个5——坐标信息

我们来看第一个5，如图所示，从上到下是：中心点的x坐标、y坐标、宽度w、高度h、是否属于被检测物体的置信度c。
这里详细解释一下置信度c：每个bbox都有一个confidence的值，表示预测的bbox包含一个物体的置信度。计算公式为：

从公式可以理解这个置信度衡量了两个方面：一个是bbox是否包含物体，另一个是bbox对于物体的位置预测的准确率(IOU)。如果一个bbox不包含物体，那么这个bbox的置信度为0，如果一个bbox包含物体，那么prob=1，置信度就是bbox和ground truth box的IOU值了。
第二个5和第一个5类型是一样的，因为有B个检验框，所以有B个5。

• 一个20——类别全概率

这里的20，是指yolo默认可以分20类的意思，也就是每个gridsell包含的物体属于20类别中每一类的概率。和上面一样，这里的概率仍然是条件概率，也就是probe和类概率的乘积（全概率），S * S个grid cell的B个bbox共享这个概率，其公式如下：

综上所述，一共有 S * S 个格子，每个格子预测B个bbox，每个bbox预测5个值，此外，每个格子预测C个类别，所以检测器最终需要预测一个 S * S * (B * 5 + C) 的tensor。在文中，S=7, B=2, C=20，所以最终会得到一个维度为30的tensor。

损失值的计算

损失函数是所有神经网络中都比较重要的部分，因为其用于比较真实值和预测值之间的差距，再用于优化器反向传播。在YOLO中，损失函数较一般的分类回归问题更为复杂。
在YOLO中，Loss是通过ground truth和输出之间的sum-squared error进行计算的，所以相当于把分类问题也当成回归问题来计算loss。如下图所示，loss一共包3个部分：

• 位置误差（2个部分）
• 置信度误差（是否含有object）
• 分类误差
  

如上图（出自B站：同济子豪兄）所示：所有部分的loss都是计算平方和的误差，所以都可以认为是回归问题。接下来我们按部分来了解一下YOLO的loss是怎么计算的：

1. 位置误差（中心点误差x, y）
   造成的损失是图五中的第一行。其中 1^obj_ij为控制函数，在标签中包含物体的那些格点处，该值为 1 ；若格点不含有物体，该值为 0。也就是只对那些有真实物体所属的格点进行损失计算，若该格点不包含物体，那么预测数值不对损失函数造成影响。(x, y)数值与标签用简单的平方和误差。
2. 位置误差（预测框的宽高）
   造成的损失是图五的第二行。 1^obj_ij的含义一样，也是使得只有真实物体所属的格点才会造成损失。这里对 (w, h)在损失函数中的处理分别取了根号，原因在于，如果不取根号，损失函数往往更倾向于调整尺寸比较大的预测框。例如，20个像素点的偏差，对于800 * 600的预测框几乎没有影响，此时的IOU数值还是很大，但是对于30 * 40的预测框影响就很大。取根号是为了尽可能的消除大尺寸框与小尺寸框之间的差异。
   这里其实我一开始没有想得很明白，所以我另外参考了一位博主的说法：
   
   上图中，蓝色为bounding box，红色框为真实标注，如果w和h没有平方根的话，那么bounding box跟两个真实标注的位置loss是相同的。但是从面积看来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，也就是B和A之间差别要更离谱一点，所以不应该有相同的loss。
   如果W和h加上平方根，那么B对A的位置loss约为3.06，B对C的位置loss约为1.17，B对A的位置loss的值更大，这更加符合我们的实际判断。所以，算法对位置损失中的宽高损失加上了平方根。（反正写到这里我是完全懂了）
3. 预测框的置信度C（含有object）
   如果bbox里有物体，先验概率为1，否则为0。第二项代表bounding box和真实标记的box之间的IoU。值越大则box越接近真实位置。（至于IoU是怎么算的大家可以去百度一下，就是两块面积的交并比）
   confidence是针对bounding box的，由于每个网格有两个bounding box，所以每个网格会有两个confidence与之相对应。
4. 预测框的置信度C（不含有object）
   这里和上面差不多，只不过是针对bbox里没有物体的情况下，也就是说这两个confidence只能二者取一。
5. 分类误差
   对象条件类别概率是一组概率的数组，数组的长度为当前模型检测的类别种类数量（YOLO中是20），它的意义是当bounding box认为当前box中有对象时，要检测的所有类别中每种类别的概率。

损失函数中的权重分配

此时再来看λ_coord和λ_noobj ，Yolo面临的物体检测问题，是一个典型的类别数目不均衡的问题。其中49个格点，含有物体的格点往往只有3、4个，其余全是不含有物体的格点。此时如果不采取点措施，那么物体检测的mAP不会太高，因为模型更倾向于不含有物体的格点。λ_coord和λ_noobj的作用，就是让含有物体的格点，在损失函数中的权重更大，让模型更加“重视”含有物体的格点所造成的损失。在论文中，λ_coord和λ_noobj的取值分别为5与0.5。

YOLO-V1的缺点

由于YOLOV1的框架设计，该网络存在以下缺点：

1. 每个网格只对应两个bounding box，当物体的长宽比不常见(也就是训练数据集覆盖不到时)，效果较差。
2. 原始图片只划分为7x7的网格，当两个物体靠的很近时，效果比较差。
3. 最终每个网格只对应一个类别，容易出现漏检(物体没有被识别到)。
4. 对于图片中比较小的物体，效果比较差。这其实是所有目标检测算法的通病。

差不多就是这样，简单写了一点，有机会的话再去仔细研究一下原著，加深一下自己的理解。有写的不对的地方还请指正。

版权声明：本文为CSDN博主「计算机秃头选手」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_44736333/article/details/122688796