yolov1 模型理解
Contents
本文为作者对 yolov1 算法学习的理解笔记，部分图片和文字来源于网络。
yolov1 单阶段目标检测网络
设计理念
yolov1 直接采用 regression（回归）的方法进行坐标框的检测以及分类，使用一个end-to-end的简单网络，直接实现坐标回归与分类。Yolo的CNN网络将输入的\(448*448\)图片分割成 S∗S 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图下图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测 B 个边界框（bounding box）以及边界框的置信度（confidence score）。
yolov1 网络详细设计
Yolov1 采用卷积网络来提取特征，然后使用全连接层来得到预测值，检测网络由24个convolutional layers和之后的两个connected layers组成。于convolutional layers，主要使用 1×1 卷积来做channle reduction，然后紧跟3×3卷积。对于卷积层和全连接层，采用 Leaky ReLU 激活函数：\(max(x,0.1x)\) 。但是最后一层却采用线性激活函数。
输出 tensors 为7*7*(2*5+20)解释
这里注意 yolov1 论文中，输入为448*448大小，输出tensors为7*7*(2*5+20)，骨干网络为GoogLeNet。输出维度：7*7*(2*5+20):
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xy和宽高wh，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)
详细解释如下图：
将图片分为S×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：对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的 (x, y, w, h) 。这里。对于边界框为什么把置信度 c 和 (x, y, w, h) 都分开排列，而不是按照 (x, y, w, h, c) 这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，程序上可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量 P ，其shape为 [batch,7*7*30] 。采用切片，那么 \( P_{[:,0:7*7*20]} \) 就是类别概率部分，而 \( P_{[:,7*7*20:7*7*(20+2)]} \) 是置信度部分，最后剩余部分\( P_{[:,7*7*(20+2):]}\)是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。
输出维度各个参数计算方式
1. 知道了输出维度的解释，我们还需要知道每个单元格预测的B个(x,y,w,h,confidence)的向量和C个条件概率中，每个参数的含义和计算方式（假设图片宽为\(w_{i}\)和高为\(h_{i}\)，将图片分为S*S网格）：
2. (x, y)：中心坐标的预测值 (x,y) 是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的。对于下图中蓝色框的那个单元格(坐标为(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(\( x_{c},y_{c} \)), 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：
3. (w, h)：边界框的 w 和 h 预测值是相对于整个图片的宽与高的比例，理论上(x,y,w,h)4个元素的大小应该在 0−1 范围。
4. confidence：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)∗IOUtruthpred，如果格子内有物体，则Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0，此时置信度等于0。
5. C类条件概率：条件概率定义为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，Pr(Classi|Object)∗Pr(Object)∗IOUtruthpred=Pr(Classi)∗IOUtruthpred
详细解释参考下图（来源于网络）：
损失函数理解
loss计算公式如下图（来源于网络）：
yolo损失函数
损失函数分析：
1. Yolov1 算法将目标检测看成回归问题，所以公式中采用的是均方差损失函数。包含三类损失：bbox损失、confidence损失和categories损失，但是对不同的损失部分采用了不同的权重值。首先区分定位误差和分类误差。
2. 对于定位误差，即边界框坐标预测误差，采用较大的权重 \( \lambda_{coord} \) 。然后其区分不包含目标的边界框与含有目标的边界框的置信度，对于前者，采用较小的权重值 \( \lambda_{noobj} \) ，其它权重值均设为1，然后采用均方误差。
3. 为了平衡短边和长边对损失函数的影响，YOLO使用了边长的平方根来减小长边的影响。即预测值变为\( (x,y,\sqrt{w},\sqrt{h}) \)
yolov1 缺陷
- 两个bounding box功能的重复降低了模型的精度；
- 全连接层的使用不仅使特征向量失去了位置信息，还产生了大量的参数，影响了算法的速度；
- 只使用顶层的特征向量使算法对于小尺寸物体的检测效果很差。
参考资料
腾讯云开发者
