「yolo」YOLO文章详细解读

yolo

文章《You Only Look Once: Unified, Real-Time Object Detection》提出方法下面简称YOLO。

目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派：

1.两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)，

2.一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)

之前的R-CNN系列虽然准确率比较高，但是即使是发展到faster R-CNN，检测一张图片如下图所示也要7fps(原文为5fps)，为了使得检测的工作能够用到实时的场景中，提出了YOLO。

这里写图片描述

YOLO的检测思想不同于R-CNN系列的思想，它将目标检测作为回归任务来解决。

下面来看看YOLO的整体结构：

这里写图片描述

由上两图所示，网络是根据GoogleNet改进的，输入图片为448*448大小，输出为7×7×(2×5+20)" role="presentation" style="position: relative;"> $7 \times 7 \times (2 \times 5 + 20)$ ，现在看来这样写输出维度很奇怪，下面来看一下输出是怎么定义的。

将图片分为S×S" role="presentation" style="position: relative;"> $S \times S$ 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：

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值包括坐标和宽高，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)" role="presentation" style="position: relative;"> $S \times S \times (B \times 5 + C)$ ，这里虽然每个单元格负责预测一种物体(这也是这篇文章的问题，当有小物体时可能会有问题)，但是每个单元格可以预测多个bbox值(这里可以认为有多个不同形状的bbox，为了更准确的定位出物体，如下图所示)。

这里写图片描述

因为这里是当作回归问题来解决的，所以所有的输出包括坐标和宽高最好都定义在0到1之间。网上看见一张比较详细的图如下。

来看一下每个单元格预测的B个(x,y,w,h,confidence)的向量和C的条件概率中，每个参数的含义(假设图片宽为{w_i}高为{hi}，将图片分为S×S" role="presentation" style="position: relative;"> $S \times S$ )：

1.(x,y)是bbox的中心相对于单元格的offset

对于下图中蓝色框的那个单元格(坐标为(xcol=1,yrow=4)" role="presentation" style="position: relative;"> $(x_{c o l} = 1, y_{r o w} = 4)$ )，假设它预测的输出是红色框的bbox,设bbox的中心坐标为(xc,yc)" role="presentation" style="position: relative;"> $(x_{c}, y_{c})$ ,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：

x=xcwiS−xcol,y=ychiS−yrow" role="presentation" style="position: relative;"> $x = \frac{x_{c}}{w_{i}} S - x_{c o l}, y = \frac{y_{c}}{h_{i}} S - y_{r o w}$

2.(w,h)是bbox相对于整个图片的比例

预测的bbox的宽高为wb,hb" role="presentation" style="position: relative;"> $w_{b}, h_{b}$ ，(w,h)表示的是bbox的是相对于整张图片的占比，计算公式如下:

w=wbwi,h=hbhi" role="presentation" style="position: relative;"> $w = \frac{w_{b}}{w_{i}}, h = \frac{h_{b}}{h_{i}}$

3.confidence

这个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)∗IOUpredtruth" role="presentation" style="position: relative;"> $P_{r} (O b j e c t) * I O U_{p r e d}^{t r u t h}$ 。

这里，如果格子内有物体，则Pr(Object)=1" role="presentation" style="position: relative;"> $P_{r} (O b j e c t) = 1$ ，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0" role="presentation" style="position: relative;"> $P_{r} (O b j e c t) = 0$ ，此时置信度为0

4.C类的条件概率

条件概率定义为Pr(Classi|Object)" role="presentation" style="position: relative;"> $P_{r} (C l a s s_{i} | O b j e c t)$ ，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，如下两图所示（两幅图不一样，代表一个框会输出B列概率值）

Pr(Classi|Object)∗Pr(Object)∗IOUpredtruth=Pr(Classi)∗IOUpredtruth" role="presentation" style="position: relative;"> $P_{r} (C l a s s_{i} | O b j e c t) * P_{r} (O b j e c t) * I O U_{p r e d}^{t r u t h} = P_{r} (C l a s s_{i}) * I O U_{p r e d}^{t r u t h}$

最后将(S×S)×B×20" role="presentation" style="position: relative;"> $(S \times S) \times B \times 20$ 列的结果送入NMS，最后即可得到最终的输出框结果

最后来看一下训练YOLO使用的损失函数定义(本想自己用latex打的，后来有个符号一直打不出来，使用网友的图如下)

这里强调两点：

1.每个图片的每个单元格不一定都包含object，如果没有object，那么confidence就会变成0，这样在优化模型的时候可能会让梯度跨越太大，模型不稳定跑飞了。为了平衡这一点，在损失函数中，设置两个参数λcorrd" role="presentation" style="position: relative;"> $λ_{c o r r d}$ 和λnoobj" role="presentation" style="position: relative;"> $λ_{n o o b j}$ ，其中λcorrd" role="presentation" style="position: relative;"> $λ_{c o r r d}$ 控制bbox预测位置的损失，λnoobj" role="presentation" style="position: relative;"> $λ_{n o o b j}$ 控制单个格内没有目标的损失。

2.对于大的物体，小的偏差对于小的物体影响较大，为了减少这个影响，所以对bbox的宽高都开根号。

参考

1.https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_1822

2.https://blog.csdn.net/u011974639/article/details/78208773

YOLO文章详细解读

yolo

相关阅读

栏目导航

推荐阅读

热门阅读