前言

YOLO系列目标检测算法是卷积神经网络中的一阶段检测算法，是基于深度学习的端到端的回归方法。
YOLO官网：https://github.com/pjreddie/darknet

检测模型

YOLOv1

论文地址：https://arxiv.org/abs/1506.02640
官方代码：https://github.com/pjreddie/darknet
发表时间： 2016年5月9日
引用格式：Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788.

`YOLOv1的网络结构`

YOLOv1的backbone使用的是GoogleLeNet，速度比VGG-16快，YOLOv1完成一次前向过程只用8.52 billion 运算，而VGG-16要30.69billion，但是YOLOv1精度稍低于VGG-16。

由于输出层为全连接层，因此在检测时，YOLOv1模型的输入只支持与训练图像相同的输入分辨率。

`YOLOv1的核心思想`

把物体检测（object detection）问题处理成回归问题。就是利用整张图作为一个卷积神经网络结构的输入，直接在输出层回归边界框（bounding box）的位置和bounding box所属的类别。

注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的。

注意：

虽然每个格子可以预测B个bounding box，但是最终只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。所以对小目标检测不是很友好。

`YOLO算法的缺点`

YOLO对相互靠的很近的物体和很小的群体检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类；
YOLO虽然可以降低将背景检测为物体的概率，但同时导致召回率较低。
同一类物体出现的新的不常见的长宽比和其他情况时，泛化能力偏弱；
由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。

思考

YOLOv1方法模型训练依赖于物体识别标注数据，因此，对于非常规的物体形状或比例，YOLOv1的检测效果并不理想。
YOLOv1采用了多个下采样层，网络学到的物体特征并不精细，因此也会影响检测效果。
YOLOv1的loss函数中，大物体IOU误差和小物体IOU误差对网络训练中loss贡献值接近（虽然采用求平方根方式，但没有根本解决问题）。因此，对于小物体，小的IOU误差也会对网络优化过程造成很大的影响，从而降低了物体检测的定位准确性。

`整体过程`

输入图像，将图像划分为7*7(S=7)的网格
对每个网格，预测两个边框(B=2)(包括网格内是否具备对象，四个位置坐标，在每个分类类别C中的置信度)，输出就是S x S x ((1+4)*B+C)的一个tensor。
得到7x7x2个目标窗口，根据阈值去除可能性比较低的目标窗口，通过非极大值抑制(NMS)去除冗余窗口。

上图是在7*7个目标窗口中取出的y，由于每个网格预测两个边框，所以这里前五个是一个边框，后五个是一个边框，再往后的C1到C20是由数据集决定的检测类别数量。其取值就是置信度，如果c1的数值相较其他19个都高，那这个网格预测出目标的类别就是C1。这里pc1或者pc2如果都为0，则这里面其他数值是多少都不重要了，因为这代表着网格中没有目标。

`损失函数`

注意：圈起来的那个是指示函数（indicator function）
它的含义是：当输入为True的时候，输出为1，输入为False的时候，输出为0。
有目标的时候，obj是1，其他为0，不参与计算。
无目标的时候，noobj是1，其他为0，不参与计算。

公式解释：

第一个方框：目标边框包含目标情况下的损失计算方法。
- 是为了解决正负样本不均衡的问题。
- xywh的预测损失计算均采用平均绝对值误差(Mean Absolute Error,MAE)
- 计算损失选择IoU值较高的参与运算
第二个方框：表示目标边框内有目标时候，前景概率损失的计算方法。
- 上文提到，当有目标时，实际的前景概率为1。所以
- 一个网格会预测两个框，包含目标的情况下，计算损失的时候只会选择其中一个和真实边框IoU较高的做计算。同样，拿IoU较高的前景概率做损失计算。
第三个方框：表示目标边框内没有目标时候，前景概率损失的计算方法。
- 是为了解决正负样本不均衡的问题。
- 上文提到，当没有目标时，实际的前景概率为0。所以
- 不包含目标的情况下，两个前景概率都参与运算。
第四个方框：表示目标边框内有目标时候，类别预测损失的计算方法。

部分代码解读

encoder

我们知道神经网络的目的就是拟合一个超复杂函数，让机器自己计算出相应的参数，并且使这个函数能尽量地逼近我们需要预测的事件上去，只要两者的误差尽可能的小，就证明这个模型是好的，也就是这里令为真实值，则为预测值。这个部分就是通过已知数据设置相应的真实值。

已知预测值的形状为（S,S,(B*(4+1)+C))，则真实值也要处理成相应形状，并且对应填好下图表示的每个数值。（下图为1130，对应会有7730个，这是其中的1/49）。

def encoder(self,boxes,labels):
    '''
    boxes (tensor) [[x1,y1,x2,y2],[]]
    labels (tensor) [...]
    return 7x7x30
    '''
    grid_num = 7  # 设置的S，即一张图片上网格的数量
    target = torch.zeros((grid_num,grid_num,30)) # 设置空的目标
    cell_size = 1./grid_num # 每个网格的大小
    wh = boxes[:,2:]-boxes[:,:2] #(x2,y2)-(x1,y1) = (w,h)
    cxcy = (boxes[:,2:]+boxes[:,:2])/2 # ((x2,y2)+(x1,y1))/2 得到中心坐标
    for i in range(cxcy.size()[0]): # 对应图片中的物体数
        cxcy_sample = cxcy[i] # 选取物体[i]的中心坐标（归一化之后的）
        ij = (cxcy_sample/cell_size).ceil()-1 # 对应到相应的格子里
        target[int(ij[1]),int(ij[0]),4] = 1 # 在上图pc1处填写数字1，表示具有物体存在
        target[int(ij[1]),int(ij[0]),9] = 1# 在上图pc2处填写数字1，表示具有物体存在
        target[int(ij[1]),int(ij[0]),int(labels[i])+9] = 1 # labels是物体类别，此处是从1-20，也就是在9+从1到20，对应c1-c20的位置
        xy = ij*cell_size #匹配到的网格的左上角相对坐标
        delta_xy = (cxcy_sample -xy)/cell_size # 相对每个网格内的坐标值
        # 填写bx,by,bh,bw
        target[int(ij[1]),int(ij[0]),2:4] = wh[i]
        target[int(ij[1]),int(ij[0]),:2] = delta_xy
        target[int(ij[1]),int(ij[0]),7:9] = wh[i]
        target[int(ij[1]),int(ij[0]),5:7] = delta_xy
    return target # 返回塑造好的真实值

画个图理解一下：

本文为自用总结，部分内容出自以下文章，强烈推荐阅读：

YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5
深度学习目标检测系列：一文弄懂YOLO算法|附Python源码
 yolov1,yolov2,yolov3 训练，解读，复现
 目标检测|YOLOv2原理与实现(附YOLOv3)

文章出处登录后可见！

已经登录？立即刷新

【目标检测】YOLOv1：You Only Look Once

前言

检测模型

YOLOv1

YOLOv1的网络结构

YOLOv1的核心思想

YOLO算法的缺点

思考

整体过程

损失函数