YOLO(You Only Look Once)系列算法原理

前言 ：详细介绍了yolo系列目标检测算法的原理和发展过程。

系列：
【YOLO系列】YOLO.v1算法原理详解
【YOLO系列】YOLO.v2算法原理详解
【YOLO系列】YOLO.v3算法原理详解
【YOLO系列】YOLO.v4算法原理详解
【YOLO系列】YOLO.v5算法原理详解

1. YOLO.v1

1.1 基本概述

论文参考：You only look once unified real-time object detection

yolov1 是使用 one-stage 方法进行目标检测。核心思想是把目标检测问题处理成回归问题。

输入图像通过一个卷积神经网络，直接输出最终预测框位置和类别（概率）。

1.2 算法流程

整个YOLO检测系统如下图所示。

• 假设网络实现的预测类别数为 C 个

  论文中使用 PASCAL VOC数据集，C=20，即实现20类别物品的目标检测；

• 输入图像首先被 resize 到指定尺寸

  论文中将输入图像统一调整到 448 $\times$ 448 ；

  即网络输入： $448\times 448\times 3$ ；

• 对图像进行划分，共划分 $S\times S$ 个方格（即grid），

  论文中 S=7, 即共划分 $7\times 7=49$个方格 ；

  每个方格包含 $64\times 64$ 个像素点 ；

• 针对每个方格grid，

  • 生成 C 个类别目标的概率分数（表示该方格是否存在该目标的概率）,用 p 表示。

  • 生成 B 个检测框（即bbox, 用于检测目标），每个检测框共 5 个参数 $(x,y,w,h,c)$ 。

    使用 $(x,y)$ 表示检测框中心相对于方格左上角的偏移量；

    使用 $(w,h)$ 表示检测框的宽和高；该值是相对于图像宽高的比。

    使用 $confidence$ 表示该框预测(目标)的置信度；该值综合了含目标的置信度和方框位置准确度。

  每个方格输出向量如下图所示：

  

  因此针对每个方格，共有参数量为 $(C+B\times 5)$ 个。本论文中，即 $(20+2\times 5)=30$ 个。

• 针对一张图片，最终输出向量： $S\times S\times (C+B\times 5)$

  本论文中即 $7\times 7\times 30=1470$

• 对输出向量进行后处理，得到最终预测结果

  根据输出向量提取出的预测框和类别信息，通过非极大值抑制(Non-Maximum Compression, NMS) ，去除重复框，即可得到最终检测结果。
  NMS算法原理及实现可参看： 目标检测之相关指标介绍

1.3 细节实现

1.3.1 卷积网络结构

论文所用卷积神经网络结构，即Backbone基于GoogLeNet，具体如下图所示：

该网络最后一层的输出 $7\times 7\times 30$ 即对应上述最终输出向量的分析。

1.3.2 预测框bbox

预测框bbox如下所示

$(x,y)$ 表示预测框bbox中心相对于当前所在方格的偏移值,范围在 [0,1];

$(w,h)$ 表示预测框bbox宽高，该值实际计算为框的实际宽高与整图宽高的比值，范围为 [0,1]；

$c$ 即 confidence，表示预测框置信度，范围为[0,1]。
计算方法如下
$$c=Pr(Object)\ast IO{U}_{pred}^{truth}$$
其中，$Pr(Object)$表示当前格子包含目标的概率，只有0和1两个数值。如果该目标中心落入该格子，则$Pr(object)=1$，反正，该值为0。

值得说明的是，在1.2节中提到每个格子共有B(论文中该值为为2)个预测框，也即每个格子共B组(x,y,w,h,c)数据。每个格子只负责预测一类物体，也即两个检测框只预测一类物体。预测物体的类别即是根据置信度大小来确定的。

1.3.4 损失函数

损失即计算网络输出值（或预测值）与标签值差异的程度。
举例说明，如上图的包含狗狗的方格，对应的标签值与预测值形式如下，

yolo v1中损失函数共包含三项，即坐标预测损失、置信度预测损失和类别预测损失。

三个损失函数都使用了均方误差。计算公式如下所示：

其中，

S —— 方格数，论文中为 7；

B —— 每个方格中检测框数量，论文中为 2；

$x_i,y_i$ —— 检测框中心坐标；

$w_i,h_i$ —— 检测框宽和高；公式中使用开根号，为了增大小物体检测的该部分损失权重；

$C_i$ —— 检测框置信度

$p_i$ —— 类别概率

$1_{i,j}^{obj}$ —— 标签中，检测框中心点是否落入当前方格，若落入，取值 1，反之，取值 0；
$1_{i,j}^{noobj}$ 与此相反。

${\lambda }_{coord},{\lambda }_{noobj}$ —— 对应损失项的权重，值越大，代表该部分损失越大。论文中分别设为了 5 和 0.5；

1.4 总结

本文详细介绍了yolov1的原理和实现过程。

• 将目标检测问题转化为了回归问题，可以得到较好的检测速度。
• 原理现在看来相对简单，但作为yolo的开篇之作，相当哇塞。
• 于是，各方大神发力，yolo开始了更快更准的道路。

下一篇：YOLO.v2