YOLO文章详细解读

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。

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：

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)7\times7\times(2\times5+20)7×7×(2×5+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×SS\times SS×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)S \times S \times (B\times 5 + C)S×S×(B×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)。

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×SS\times SS×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)(x_{col}=1,y_{row}=4)(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(xc,yc)(x_c,y_c)(xc,yc),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−yrowx=\frac{x_c}{w_i}{S}−x_{col} , y=\frac{y_c}{h_i}{S}−y_{row}x=wixcS−xcol,y=hiycS−yrow

2.(w,h)是bbox相对于整个图片的比例
预测的bbox的宽高为wb,hbw_b,h_bwb,hb，(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=hbhiw=\frac{w_b}{w_i} , h=\frac{h_b}{h_i}w=wiwb,h=hihb

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)∗IOUpredtruthP_r(Object)∗IOU^{truth}_{pred}Pr(Object)∗IOUpredtruth。
这里，如果格子内有物体，则Pr(Object)=1P_r(Object)=1Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0P_r(Object)=0Pr(Object)=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)P_r(Class_i |Object)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，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)∗IOUpredtruthP_r(Class_i|Object) ∗ P_r(Object) ∗ IOU^{truth}_{pred} = P_r(Class_i) ∗ IOU^{truth}_{pred}Pr(Classi∣Object)∗Pr(Object)∗IOUpredtruth=Pr(Classi)∗IOUpredtruth

最后将(S×S)×B×20(S\times S)\times B\times20(S×S)×B×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λcorrdλ_{corrd}λcorrd和λnoobjλ_{noobj}λnoobj，其中λcorrdλ_{corrd}λcorrd控制bbox预测位置的损失，λnoobjλ_{noobj}λnoobj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文章详细解读相关推荐

Faster R-CNN文章详细解读
文章<Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks>是为了改进Fast R- ...
YOLO v3详细解读
<YOLOv3: An Incremental Improvement> Joseph Redmon Ali Farhadi University of Washington 发表时间:2 ...
YOLO v1详细解读
<You Only Look Once: Unifified, Real-Time Object Detection> Joseph Redmon∗* , Santosh Divvala∗ ...
结绳法：文章详细解读（异步时钟设计的同步策略）（五）
一.典型方法(双锁存器法)
【YOLO系列】YOLOv1论文超详细解读（翻译＋学习笔记）
前言从这篇开始,我们将进入YOLO的学习.YOLO是目前比较流行的目标检测算法,速度快且结构简单,其他的目标检测算法如RCNN系列,以后有时间的话再介绍. 本文主要介绍的是YOLOV1,这是由以Jo ...
【YOLO系列】--YOLOv1超详细解读/总结
文章目录前言摘要一.Introduction-介绍二. Unified Detection-统一检测三.Comparison to Other Detection Systems-与其他目标 ...
【YOLO系列】YOLOv5超详细解读（网络详解）
前言吼吼!终于来到了YOLOv5啦! 首先,一个热知识:YOLOv5没有发表正式论文哦~ 为什么呢?可能YOLOv5项目的作者Glenn Jocher还在吃帽子吧,hh 目录前言一.YOLOv5 ...
NLP突破性成果 BERT 模型详细解读 bert参数微调
https://zhuanlan.zhihu.com/p/46997268 NLP突破性成果 BERT 模型详细解读章鱼小丸子不懂算法的产品经理不是好的程序员关注她 82 人赞了该文章 Goo ...
MemCache超详细解读
MemCache是什么 MemCache是一个自由.源码开放.高性能.分布式的分布式内存对象缓存系统,用于动态Web应用以减轻数据库的负载.它通过在内存中缓存数据和对象来减少读取数据库的次数,从而提高 ...
MemCache详细解读
MemCache是什么 MemCache是一个自由.源码开放.高性能.分布式的分布式内存对象缓存系统,用于动态Web应用以减轻数据库的负载.它通过在内存中缓存数据和对象来减少读取数据库的次数,从而提高 ...

YOLO文章详细解读

YOLO文章详细解读相关推荐

最新文章

热门文章