从YOLOv1开始的YOLO学习之路
文章目录
- 从YOLOv1开始的YOLO学习之路
- 前言
- YOLO算法整体思路
- 核心思想
- 总结
- 网络结构学习
- 总结
- loss计算
- 位置损失
- 置信度损失
- NMS(非极大值抑制)
- 预测流程
- 优缺点
前言
YOLO是一个单阶段的检测算法，他就是把检测问题转化成回归问题，一个CNN就搞定了，同时也可以对视频进行实时检测，应用范围非常广。
YOLO算法整体思路
核心思想
要预测一张图像上的物体，比如要预测一个狗，那么我们要怎么去确定这个狗的位置？
那么我们首先输入一张的格子的图片（这里为了方便理解，就是把原本的像素点放大成一个又一个格子，在实际的结构当中就是判断像素点的）。那么yolo算法就会把些所有网格都会预测一下，然后确定代表的物体。
但是因为物体的位置比较多，单纯通过网络直接预测的准确率还不够。通过我们人为给定一些框，这些框（上图中的黄框）就是锚点（Anchor）。这些通过经验确定的框肯定是有一些误差，但可以给网络提供一个参考，所以yolo检测本质上就是通过训练之后对我们人为给定的框进行一个修正，对这些框的长和宽进行一个微调，到这里就变成了一个回归任务了，当相于就是找到一个最合适的长和宽，也就是**参数的求解和调整。**所以yolov1中就是先作出两个候选框，针对每一个格子都要去进行这么一个回归的求解。
根据之前学习过的IOU这个指标，我们可以先用候选框和实际框分别计算出对应每一个候选框的IOU，因为IOU越大代表越接近实际值。我们对每一个候选框计算IOU，然后就对IOU最大的那个框进行微调。
但这里就会出现一个问题，因为要对每一个位置进行预测，就会导致要对整个图像上每一个像素点进行计算，这样就会出现很多很多物体，但有些是背景，不是我们需要的物体，所以还需要预测一个置信度，我们需要过滤掉那些我们不需要的框，只有大于这个置信度的框才是真正预测到的物体。
通过这样的检测过程就可以算出我们需要的东西。
总结
在v1版本中，输入就是一个网格，针对网格里面每一个格子我们都会产生两个候选框，通过网络对候选框进行一个微调，因为有些只是背景，不是物体，所以我们不是对每一个候选框都进行微调，必须要有物体才行，所以每一个格子都需要预测一个置信度，置信度比较高的，大于这个阈值的，才是一个物体，只有是物体我们才对那个框进行微调，然后进行筛选，筛选IOU比较大，就是作为结果的，然后算出他们的映射到原始的图像就可以算出这个框了。
网络结构学习
在v1版本中，我们先输入一个的图像，是无法改变图像的大小的，只能是
，因为卷积层对输入大小没有限制，任意大小的矩阵都可以进行卷积运算得到我们需要的特征，但全连接层是定死的，如果经过最后一层卷积层之后得到的是一个列为2048长度的一个矩阵，那么权重参数
的大小就是
，偏置参数的大小为
，这个权重参数是不能够一直在改变的（因为从最后的全连接之后得到的就是我们特征和类别），全连接层一定要固定特征图的大小
上图为v1的网络结构（主要看v2和v3的）
v1的全连接当中被转换成了的向量，之后再经过全连接之后得到了一个
的一个向量，为了能够是我们能够获取里面的信息，我们reshape成
的一个张量，这个就是我们的图片经过神经网络之后得到的特征，也是至关重要的，下面我们看看这个里面是什么。
最后得到的的一个张量，
代表了特征图的大小是
的，后面的
表示
中每一个格子都有30个值，每一个点都有30个值。
那么对于每一个格子，要产生两种框，也就是两个锚点。那么这30个值的前10个值表示了
这10个值，不是表示方框在图像上的位置坐标，而是表示在归一化完之后在相对的一个长宽里面的值是多少。（可以理解为是一个相对坐标值）后面的就是一个
分类，也就是后面剩下的值的数量就对应了你目前要检测的类别有几类（num_class）。这里的20代表了对应每一个类的一个概率，其实就是一个分类的问题。
- 为什么计算机能这样？因为我规定了一个loss函数，希望这个损失函数到什么程度是最小的，就会逐渐去迎合你的损失函数达到最小，逐渐就会猜到每个值代表了什么，满足你需求和期望，只要提供合适的损失值就能够预测出来。
总结
每个数字的含义
（2个框（boundingbox（yolov1）））
- 当前数据集有
个类别
表示最终网格的大小
- 预测结果：
YOLOv1的目的是为了更快的检测，而不是追求精度。
什么是归一化，为什么？为什么就代表了？
loss计算
算法要看网络结构和损失函数，由网络结构确定损失函数
由于预测和真实之间存在一些差距，所以我们要计算他们的误差，而且是对5个量都需要计算损失。
上图是总的损失函数计算。
位置损失
第一个框中的是位置误差：是用来计算这四个量的损失值，为了要找到他们变化率最小的地方，也就是损失最低的地方。
- 对于
做根号的运算是因为，对于大物体来说，因为物体较大，所以真实框和预测框之间的（偏移程度）误差对其结果的影响不大。（因为物体较大，就算有偏差，由于物体大，所以对于精度影响比较小，依然能够识别出来）
- 但对于小物体来说，因为物体较小，稍微有一点偏差可能会导致很大的差距（真实框和预测框之间的误差）。所以，这就是一种对于值比较小的时候需要敏感，对于值比较大的时候可以不用很敏感的一个变化特点。，所以我们可以使用
这个函数的特点
对于值比较小的时候，
的变化率比较大，对于
所以我们要注重比较小的时候的损失,也就是需要对小物体敏感，大物体粗糙也没关系。虽然不能控制物体的大小，但我们可以通过调整损失函数来达到相同的目的。
置信度损失
我们需要对置信度进行一个分类，因为图像中分前景和背景，但由于大部分都是背景。所以也要计算置信度损失。
第二个框中的是置信度误差（含有object的）：是用来计算置信度的损失，也就是当前置信度和最大的IOU之间的差距，且是含有obj的。
第三个框中的是置信度误差（不含有object的）：是用来计算置信度的损失，且是不含有obj的。计算时前面要加上一个权重系数，为了让损失函数更加注重前景，忽略背景，让背景占比较小的权重。
第四个框中的是分类误差：是计算每一个类中的误差
其中表示在整个网格框中对每一个网格都要计算损失，
表示对于某一个格子都有两个boundingbox，也就是我们人为框定的候选框，这个损失函数就是为了对我们之前人为框定的候选框进行一个微调，但只会选其中一个进行微调（上面提到的先计算
再进行对
大的那个框进行微调）。在yolov1中只有两个锚点，所以也就只有
和
。
表示了一个权重系数，表示各部分占总部分的权重。
NMS(非极大值抑制)
我们通常在预测训练的时候会有很多个不同的概率框，如果有很多重合部分的框，那我们就挑选IOU比较大的作为极大值，我们就选择这个极大值的框。
预测流程
网络的输出是 的数据块，首先用一个阈值选取含有目标的box，再用一个阈值筛选
，筛选后的框的
从距离所在网格左上角的偏差解码为相对于图像左上角的距离，最后由NMS去除一些重叠的框。
NMS是大部分深度学习目标检测网络所需要的，大致算法流程为：
1.对所有预测框的置信度降序排序
2.选出置信度最高的预测框，确认其为正确预测（下次就没有他了，已经被确认了），并计算他与其他预测框的IOU
3.根据2中计算的IOU去除重叠度高的，IOU>threshold就删除
4.剩下的预测框返回第1步，直到没有剩下的为止
优缺点
优点：
- 速度快，可以实时检测
缺点：
- 重合的物体是很难检测的。
- 之前的人为选的Boundingbox比较少，每一个框只能识别一个类别，如果重叠就无法解决。
- 长款比单一，非常规的物体很难预测。
