【目标检测】YOLOV1详解

前言

最近在公司实习，看到其实很多落地的模型都是基于yolo来改进的。在闲暇之余又重新温故了一下yolo系列，并想着将它们进行一个总结。今天就从V1下手，接下来的几个系列也会分别进行详解。

相比起Faster R-CNN的两阶段算法，2015年诞生的YOLOv1创造性地使用端到端（end to end）结构完成了物体检测任务。直接预测物体的类别和位置，没有RPN网络，也没有Anchor的预选框，因此速度很快。
YOLOv1是YOLO系列的基准，虽然后面在工程上面大家都是直接使用YOLOV5的开源代码，但是还得需要直到这些原理，而不是像黑盒一样进行调用。后续的YOLOv3、YOLOv5都是在原来的基础上做的改进，因此完全掌握和理解YOLOv1是学好YOLO系列的关键。

1、实现方式

YOLOV1的思想就是将图像分成S*S的小网格，如果物体的中心点落在了某一个网格内，那么就由这个网格来进行预测这个物体。

每一个网格预测B个bounding boxes，以及这些bounding boxes的得分：confidence score。confidence score反映了模型对于网格中预测是否含有物体，以及是这个物体的可能性是多少。confidence定义为：

在这里需要区分开confidence score和confidence。上面公式的定义就是如果网格中不含有物体，则置信度为0，否则就是predicted box与ground truth之间的IOU。每一个bounding box由5个预测值组成：x，y，w，h，confidence。坐标（x，y）代表了bounding box的中心与grid cell边界的相对值。width，height则是相对于整幅图像的预测值（边框的宽和高），confidence就是预测框和真实框的IOU。每一个网格还要预测C个conditional class probability（条件类别概率）：Pr（Class|Object），即在一个网格包含Object的前提下，它属于某个类的概率，只为每个网格预测一组（C个）类概率，而不考虑框B的数量，也就是说一个网格只能预测一个物体这也是YOLOV1的缺点之一。如果一个物体的中心点落在了某个网格内，具体是该网格的两个bounding box与真实物体框进行匹配，IoU更大的bounding box负责回归该真实物体。

对于PASCAL VOC数据集，图像输入为448×448，取S=7（即在经过神经网络之后的最终输出特征图大小为7*7），B=2（即每个grid cell中有两个bounding box负责预测落在这个gird cell中的物体），C=20（即一共有20个类别）。则输入图片经过网络的最终输出为一个7×7x30的tensor，如下图所示。且一张图片最多可以检测出49个对象，一共生成7×7×2=98个bounding box。

以上是训练的时候需要的实现方式，在进行测试的时候，就涉及到了confidence score这个概念，具体来说在测试阶段，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

得到每个bbox的confidence score以后，设置阈值，滤掉的得分低的bboxes，对保留的bboxes进行NMS处理，就得到最终的检测结果。

2、backbone

YOLO的网络结构由24个卷积层和2个全连接层组成，网络结构借鉴了GoogLeNet分类网络结构，但是没有使用Inception module，使用的1×1卷积（交替的1×1卷积用来减少前几层的特征空间）和3×3卷积简单替代。网络输入的图片大小为448×448，最终输出为7×7×30的张量（在PASCAL VOC数据集上）。

在这里需要注意的是因为最后用到了两层全连接层，这就使得对网络的输入有一定的要求，不可以变换其余大小的输入。

3、训练

预训练

YOLOV1会现在imagnet上面进行预训练一个分类网络，预训练的网络即为整个网络结构的前20个卷积层+池化层+全连接层。然后再去进行训练检测网络，在预训练网络的基础上添加4个卷积层和2个全连接层，随机初始化权重。最后一层预测类概率和bounding box坐标。通过图像宽度和高度对bounding box的宽度和高度进行归一化，使它们下降到[0,1]之间，同时将（x，y）坐标参数化为特定网格单元位置的偏移，因此它们也在[0,1]之间。

损失函数

YOLOV1的损失函数算是比较经典的了，后面的也是基于这个损失函数进行梯度下降的。 YOLOv1的Loss一共由5个部分组成，均使用均方误差（sum-square error，MSE）损失，如下图所示：

在这里需要注意的是第三点的值是0.5，而不是5。

4、优劣

YOLOV1是采用回归的思想，并没有提前设计好锚框，使用轻量型的网络对物体进行定位和分类，处理速度很快。但是不足也很明显：
● 由于每一个区域默认只有两个bounding box做预测，并且只有一个类别，因此YOLOv1有这天然的检测限制。这种限制会导致模型对于小物体，以及靠得特别近的物体检测效果不好（一个网格只能预测一个物体）。
● 由于没有类似于Anchor的先验框，模型对于新的或者不常见宽高比例的物体检测效果不好。另外，由于下采样率较大，边框的检测精度不高。

参考：【目标检测】单阶段算法--YOLOv1详解