yolov5图像识别怎么弄 yolo识别物体

第一章 YOLO系列概述

1.深度学习经典检测方法

(1) tow-stage(两阶段)：Faster-rcnn Mask-rcnn系列：增加了区域建议网络（RPN），即预选框
特点

• 速度通常较慢（5FPS），但是效果通常不错
• 非常实用的通用检测框架MaskRcnn

(2) one-stage(单阶段)：YOLO系列
特点

• 最核心的优势：速度非常快，适合实时检测
• 检测效果比较一般

回归任务：
首先，输入一张图片，经过一个CNN，提取出一个高维的特征，最后面一层不再接softmax进行分类，而是预测出4个坐标值，由[x,y,w,h]组成，那么如何来计算这四个值呢？
对于每一张图片，我们有一个grounding truth，grounding truth就是给定的框的实际数据，我们要做的就是使神经网络预测出来的框不断地拟合给定的输入，即不断接近真正的框。我们用L2欧式距离计算差异值，预测出来的框和grounding truth越接近，loss值越小，利用SGD对CNN的参数不断调节，让loss达到收敛的预期效果。这一过程就可以称之为回归过程。

2.指标分析

1）mAP指标：综合衡量检测效果
2）IOU：交集和并集的比值
3）准确率：TP/(TP+FP)
4）召回率：TP/(TP+FN)

第二章 YOLOv1

1. 核心思想

将输入图像划分为SxS的网格，每个网格的中心点产生两种候选框，对置信度高的中心点（或者设置一定的阈值）对应的两个候选框进行筛选（选择IOU大的），进行微调，得到其的（x,y,w,h）。

2. 网络架构

最终输出为：14701=77*30

3. 损失函数

理解算法主要关注以下部分：

网络架构，最终输出值（全连层），以及损失函数怎么定义。

3.1 位置误差（x,y,w,h）

预测位置与真实位置之间的差值，损失函数越小越好

为什么w,h添加根号？（使损失函数对较小物体比较敏感，但是在v1版本没有根本解决这个问题）

3.2 置信度误差

基于置信度计算当前网格的候选框是背景还是前景

3.3 分类误差

预测该类别的概率和真实该类别的概率之差（交叉熵）

3.4 NMS非极大抑制

• 主要针对同一类别的重叠检测框
• 先按置信度进行排序（从大到小）
• 只取最大值（存在缺陷：最大的置信度不一定是检测效果最佳的，或者说IOU最大的）

3.5 YOLOv1存在问题

• 每个Cell只预测一个类别，重合在一起的物体难以检测
• 小物体难以检测（两种候选框主要针对检测较大的物体，候选框的长宽比过于单一）
• 多标签难以检测（同一物体映射多个标签）

第三章 YOLOv2

1. YOLOv2-Batch Normalization

什么是Dropout：主要运用在全连接层，杀死一部分的神经元，防止网络过于拟合
什么是Batch Normalization：对每层卷积层进行归一化

• （1）V2版本舍弃Dropout，卷积后全部加入Batch Normalization，V2不再有全连接层
• （2）网络的每一层的输入都做了归一化，收敛相对更容易
• （3）经过Batch Normalization处理后的网络会提升2%的mAP
• （4）从现在的角度看，Batch Normalization已经成为网络必备处理

2. YOLOv2-更大的分辨率

• （1）V1训练时用224224，测试时用448448
• （2）可能导致水土不服，V2训练时额外又进行了10次448*448的微调
• （3）使用高分辨率分类器后，YOLOv2的mAP提高了约4%

3. YOLOv2（DarkNet19）-网络结构

• （1）DarkNet，实际输入为416*416（必须被32整除后最好为奇数）
• （2）没有FC层，全部为卷积层，5次降采样（2^5=32），（13*13）
• （3）1*1卷积节省了很多参数

4. YOLOv2聚类提取先验框（anchor）

• （1）faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集（9种先验比例，3种尺寸大小，3种比例（1:1, 1:2, 2:1））
• （2）K-means聚类中的距离d(box,centroids) = 1-IOU(box,centroids)（距离不是采取欧氏距离，而是利用1-IOU作为距离判断）

利用聚类中心点的w和h作为先验框尺寸

5. YOLOv2-Anchor Box

• （1）通过引入anchor boxes，使得预测的box数量更多（1313n）
• （2）跟faster-rcnn系列不同的是先验框并不是直接按照长宽比固定比给定

6. YOLOv2-Directed Location Prediction（定向位置预测）

• （1）bbox：中心为（xp,yp）；宽和高为（wp,hp）,先验框加上预测的偏移量，则
• （2）tx=1，则将bbox在x轴向右移动wp；tx=-1则将其向左移动wp
• （3）这样会导致收敛问题，模型不稳定顶，尤其是刚开始进行训练的时候
• （4）V2中并没有直接使用偏移量，而是选择相对grid cell 的偏移量
• 计算公式为：
• -将偏移量归一化，使得偏移不超过当前预测网格范围（利用sigmoid函数进行归一化），再加上相对位置坐标。

7. YOLOv2-Fine-Grained Features

• （1）最后一层时感受野太小了，小目标可能丢失了，需要融合之前的特征

8. YOLOv2-Multi-Scale

• （1）都是卷积操作无法限制，一定iterations之后改变输入图片大小
• 最小的图像尺寸为320*320
• 最大的图像尺寸为608*608

感受野的认识

1. 感受野

• 概述来说就是最后一个特征图上的一个点能看到原始图像多大区域（可以理解为对原始图像特征的一个浓缩）
• 感受野有什么用？怎么把感受野融入到物体检测任务中去？
• 越大的感受野越能考虑图像的全局信息
• 为什么非要堆叠多个小卷积，而不是直接用一个大卷积实现感受野的扩充呢？（为什么当前的网络卷据一般都是用尺寸较小的卷积核）
• 很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成特征提取操作，并且每个卷积操作后面相应的跟着一个BN（Batch Normalization）。

第四章 YOLOv3（DarkNet53）

这张图讲道理真的过分了！！！ 我不是针对谁，在座的各位都是。。。。

• （1）终于到V3了，最大的改进就是网络结构，使其更适合最小目标检测
• （2）特征做的更加细致，融入多持续特征图信息来预测不同规格物体
• （3）先验框更丰富了，3种scale，每种3个规格，一共9种
• （4）softmax改进，预测多标签任务

1. 多scale

• （1）为了能检测到不同大小的物体，设计了3个scale

2. scale变换经典方法

• （1）左图：图像金字塔（速度慢）；（2）右图：单一的输入
  
  -（3） 左图：对不同的特征图分别利用；（4）右图：不同的特征图上采样后，再融合后进行预测（YOLOv3核心思想）；

3. 残差连接-为了更好的特征

• （1）从今天的角度来看，基本所有网络架构都用上了残差连接的方法
• （2）V3中也用来resnet的思想，堆叠更多的层来进行特征提取
  
  **理解残差连接：**至少不比原来差

4. 核心网络架构

• （1）没有池化和全连接层，全部卷积
• （2）下采样通过stride为2来实现
• （3）3种scale，更多先验框
• （4）基本上当下经典算法全部融入了
  
  13133（4+1+80）*

5. 先验框设计

• YOLOv2中选了5个，这会更多了，一共9个
• 1313特征图上：（116x90）;（156198)）；（373x326）
• 1313特征图上：（30x61）;（6245)）；（59x119）
• 1313特征图上：（10x13）;（1630)）；（33x23）

6. softmax层替代

• （1）物体检测任务中可能一个物体有多个标签
• （2）logistic激活函数来完成，这样就能预测每一个类别是/不是

第五章 YOLOv4

1. 整体介绍（Optimal Speed and Accuracy of Object Detection）

• （1）虽然作者换了，但是精髓没有变
• （2）如果CV界有劳模，一定非他莫属（集百家之长）
• （3）整体看还是那个味，细还是他细
• （4）江湖中最高的武功：嫁衣神功

2. V4的贡献

• （1）单GPU就能训练的非常好，接下来很多小模块都是从这个出发点
• （2）两大核心方法，从数据层面和网络设计层面来进行改善
• （3）消融实验，感觉能做的都给他做了，这工作量不轻
• （4）全部实验都是单GPU完成的，不用担心设备问题
  计算机视觉的框架主要包括以下组成部分：
  初始特征提取------>特征融合--------->头部（分类还是回归）

3. Bog of freebies(BOF,免费包)

• （1）只增加训练成本，但是能显著提高精度，并不影响推理速度（不影响测试的速度）
• （2）数据增强：调整亮度、对比度、色调、随机缩放、剪切、翻转、旋转
• （3）网络正则化方法：Dropout、Dropblock等
• （4）类别不平衡，损失函数设计

3.1 Mosiac data augmentation

在上述数据处理的方法中，作者参考CutMix然后四张拼接成一张进行训练（相当于间接增加了batch size）

3.2 其他数据增强方法

• （1）Random Erase : 用随机值或训练集的平均像素值替换图像区域
• （2）Hide and Seek：根据概率设置随机隐藏一些补丁

3.3 Self-adversarial-training(SAT)

• 通过引入噪音点来增加游戏难度

3.4 DropBlock

• 之前的dropput是随机选择点（b），现在吃掉一个区域



• 
  

3.5 标签平滑（label smoothing）

• 神经网络最大的缺点：自觉不错（过拟合），让它别太自信
• 例如原来的标签（0，1）：[0,1] x (1-0.1)+0.1/2 = [0.05,0.95]
• 使用之后效果分析（右图）：簇内更紧密，簇间更分离（防止过拟合）

3.6 IOU损失

• IOU损失：也经常1-IOU
• 有那些问题：存在梯度消失
• 没有相交则IOU=0无法梯度计算，相同的IOU却反应不出实际情况到底怎么样

GIOU损失

• 公式：



• 引入了最小封闭形状C（C可以把A，B包含在内）
• 在不重叠情况下能让预测框尽量朝着真实框前进
• 但是下面这种情况又完了。。。
• DIOU
• 公式：



• 其中分子计算预测框与真实框的中心点欧氏距离d
• 分母是能覆盖预测框与真实框的最小BOX的对角线长度c
• 直接优化距离，速度更加快，并解决GIOU问题
  CIOU
• 公式：



• 损失函数必须考虑三个几何因素：重叠面积，中心点距离，长宽比
• 其中a可以当作权重参数
  DIOU-NMS
• 之前使用NMS来决定是否删除一个框，现在改用DIOU-NMS
• 公式：



• 不仅考虑了IoU的值，还考虑了两个Box中心点之间的距离
• 其中M表示高置信度候选框，Bi就是遍历各个框跟置信度高的重合情况
  SOFT-NMS
• 柔和一点的NMS，更改分数再剔除
• 公式：

4. Bog of specials (BOS,特价包)

• （1）增加稍许推断（测试）代价，但可以提高模型精度的方法
• （2）网络细节部分加入了很多改进，引入了各种能让特征提取更好的方法
• （3）注意力机制，网络细节设计，特征金字塔等
• （4）将2020年论文中优秀的方法都融合进来了

4.1 SPPNet（Spatial Pyramid Pooling）

• （1）V3中为了更好满足不同输入大小，训练的时候要改变输入数据的大小
• （2）SPP其实就是用最大池化来满足最终输入特征一致即可

4.2 CSPNet(Cross Stage Partial Network)

• （1）每一个block按照特征图的channel 维度拆分成两个部分
• （2）一份正常走网络，另一份直接concat到这个block的输出

4.2 CBAM（将关注点放在更加重要的地方）

• （1）其实就是加入了注意力机制，已经很常见在各种论文中
• （2）V4中用的是SAM，也就是空间注意力机制
• （3）不光NLP，语言识别领域在搞attention，CV中也一样
  

4.3 PAN(Path Aggregation Network)

• （1）先从FPN说起（区域候选网络）
• （2）自顶向下的模式，将高层特征传下来
• （3）好像只有一条路能不能双向呢
• （4）这就轮到PAN登场了，思想也很简单
• （5）引入了自底向上的路径，使得底层信息更容易传到顶部
• （6）并且还是一个捷径，红色的没准走个100层Resnet，绿色的几层就到了
• （7）YOLOV4中并不是加法，而是拼接

4.4 Mish(也许就是明日之星)

• （1）别一棒子全给打死，给个改过自新的机会
• （2）Relu有点太绝了，Mish更符合实际
• （3）公式：



• （4）但是计算量确实增加了，效果会提升一点

4.5 eliminate grid sensitivity

• （1）比较好理解，坐标回归预测值都在0-1之间，如果在grid边界怎么表示？
• （2）此时就需要非常大的数值才可以达到边界
• （3）为了缓解这种情况可以在激活函数前加上一个系数（大于1的）：

5. 整体网络架构

YOLOv5

1. Focus模块

• （1）先分块，后拼接，再卷积
• （2）间隔来完成分块任务
• （3）此时卷积输入的C就为12了
• （4）参考实验并不多，目的是为了加速，并不会增加AP

2. BottleneckCSP

• （1）注意叠加个数
• （2）里面包含了resnet模块
• （3）与V3版本相似，多了CSP
• （4）效果有一定提升

3. PAN流程