系列文章目录
文章目录
Introduction
在现有的目标检测方法出现之前，人们还是用极为朴素的思想来实现检测：比如将分类模型和不同尺寸的滑动窗口相结合（deformable parts models，DPM）。R-CNN将滑动窗口改进为了先验框，模型先生成一些潜在的候选框，接着对这些候选框做分类，最后对其进行后处理以减少重复检测。由于分为了两阶段，这些模型不仅耗时，且需要分开单独训练而难以优化。
YOLO将目标检测视作回归问题，使用卷积网络直接从图像像素预测包围盒（bounding box）及其类别，由于它是一个单一的网络（single network），因此可以端到端训练。它有一下优点：
- YOLO很快，可以达到实时的处理速度。
- YOLO使用图像的全局信息进行推理，它可以隐式地编码关于类别及其外观的上下文信息。
- YOLO学习物体的泛化表示，它对全新的输入也有一定的泛化能力。
; Unified Detection
YOLO将图像分成S ∗ S S*S S ∗S的网格，如果某个物体的中心落到了网格里，那么这个网格就用来检测该物体。
每个网格被设置为可以预测B B B个包围框( x , y , w , h ) (x,y,w,h)(x ,y ,w ,h )，其中( x , y ) (x,y)(x ,y )是中心点坐标，数值为网格单元位置的偏移量；( w , h ) (w,h)(w ,h )是框的尺寸，用图像的尺寸进行归一化，这样( x , y , w , h ) (x,y,w,h)(x ,y ,w ,h )都是[ 0 , 1 ] [0,1][0 ,1 ]之间的数，并为包围框的置信度打分：P r ( O b j e c t ) ∗ I O U p r e d t r u t h Pr(Object)*IOU_{pred}^{truth}P r (O bj ec t )∗I O U p re d t r u t h ，以衡量包围框内是否有物体以及包围框的准确度。如果框内没有物体，则置信度为0 0 0，否则置信度等于预测框与真实框之间的I O U IOU I O U。网格同时还要预测C C C个条件类别概率P r ( C l a s s i ∣ O b j e c t ) Pr(Class_i|Object)P r (Cl a s s i ∣O bj ec t )，尽管之前提到网格可以预测B B B个包围框，但它只能预测出一个类别结果。
这些置信度打分和条件类别概率不是随便设计的，数学上，如果把这两个相乘：
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 Pr(Class_i|Object)Pr(Object)IOU_{pred}^{truth}=Pr(Class_i)IOU_{pred}^{truth}P r (Cl a s s i ∣O bj ec t )∗P r (O bj ec t )∗I O U p re d t r u t h =P r (Cl a s s i )∗I O U p re d t r u t h 就得到了每个包围盒中特定类别的置信度打分，这个分数包含了框中出现物体的类别概率和预测框的好坏信息，理论上，这也就是我们完成检测所需要的全部信息。通过卷积神经网络经过一个全连接层，我们便得到了S ∗ S ∗ ( B ∗ 5 + C ) SS(B5+C)S ∗S ∗(B ∗5 +C )维度的向量，对应了所有网格及其两种数值的输出。
网络架构参考了G o o g L e N e t GoogLeNet G oo gL e N e t实现，在训练和推断时使用了D a r k n e t Darknet D a r kn e t框架，包含24 24 24个卷积层和2 2 2个全连接层。在I m a g e N e t ImageNet I ma g e N e t分类任务的224 ∗ 224 224*224 224 ∗224图像上预训练前20 20 20个卷积层，并将分辨率加倍后加上额外的4 4 4个卷积层和2 2 2个全连接层用于检测。
使用简单的平方和误差来优化模型参数，尽管这和MAP的目标并不十分一致，因为它将定位误差和分类误差同等对待。当网格内没有物体时，置信度打分为0 0 0，会产生比正常网格还要大的梯度，这种模型的不稳定性可能导致训练初期的发散。除此之外，平方和误差对大型框和小型框也一视同仁，但小型框的错误无疑比大型框的更加关键。为了解决这些问题，首先通过加权，增加包围盒坐标预测的损失，减少不包含对象的包围盒的置信度预测的损失；其次通过预测包围盒尺寸的平方根来减轻小型框的问题。
对于较大的物体而言，它可能占据了多个网格，非极大值抑制可以用来减少这样的检测错误。
尽管如此，YOLO还是有很多的局限性：由于模型设计上的限制，网格中物体数量是有上限的，这意味着成群出现的小物体可能不会全部检测出来。由于大型包围框和小型包围框在误差上的不等，小型框的小错误也会造成很大影响。YOLO出错的主要来源在于定位的不准确。
Original: https://blog.csdn.net/weixin_44898140/article/details/127097203
Author: 容嬷嬷当年一枝花
Title: 【Object Detection史上最详细YOLOv1-v5详解】YOLO：You Only Look Once
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687782/
转载文章受原作者版权保护。转载请注明原作者出处！