yolov5目标检测模型中，对模型结构的描述较多，也容易理解。但对如何获得目标预测方面描述较少，或总感觉云山雾罩搞不清楚。最近查阅一些资料，并加上运行yolov5程序的感受，总结一下对目标特征参数的预测方法，记录如下。
1 yolov5框架结构
图x-1 yolov5模型框架
图x-1借用江大白的图，做了少许修改，以适应本博文的描述，其细节请看江大佬的文章。此处说明，输入图像为1280×720，根据边长需被32整除，resize为1280×736，在以下的描述中，对应tensor的顺序，改变行列顺序的写法，将输入图像写成 w x h = 736×1280。
输入图像 736×1280经yolov5模型，产生三个不同目标尺度的特征图，prediction形成92x160x(3×85)特征图，对应于小目标，46x80x(3×85)对应中目标，23x40x(3×85)对应大目标。这三个尺度特征图用来预测图像中的目标，产生目标框参数输出。
; 2 锚框anchor
锚框是根据先验知识选定的目标预测框初始形状，yolov5选用了三种不同宽高比的锚框。对每个特征图，用锚框anchor来预测目标框。见下图x-2，真实标签GT有行人类框（橙色）和小汽车框（黄色）。锚框预先设定为三种不同宽高比，Anchor box1- Anchor box 3（红色虚线框），显然Anchor box1适合预测行人，Anchor box3适合预测小汽车。
图x-2 锚框的作用
计算IoU，用相交面积和相并面积的比值，来确定两个框的相似程度，比值越大相似度越高。
通过IoU，若Anchor box1套用在小汽车目标上，所得到的IoU值小，而套用行人IoU数值大，故对小汽车目标，可通过IoU阈值丢弃Anchor box1。
在yolov5特征图中，每个空间点，对应输入图像的一个网格，对每个网格中的目标，放置三个锚框来预测目标框，见图x-3。Yolov5不同尺度特征图，所采用的锚框尺寸也不同，如大目标，锚框采用116×90，156×198， 373×326三个不同形状的锚框。
图x-3 yolov5锚框配置
3 yolo目标预测
核心思想：将整张图片作为网络的输入，直接在输出层对目标框的位置和类别进行回归。
实现方法：
将一幅图像分成ShxSw个网格(grid cell)，如果某个目标的中心落在这个网格中，则这个网格就负责预测这个目标。
图x-4 网格预测目标 每个网络需要预测三个目标框的位置信息和置信度（confidence）信息，一个目标框对应着四个位置信息和一个置信度信息。置信度代表所预测的目标框中包含目标的置信度和这个目标框预测的准确度这两重信息：
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 t r u t h p r e d = P r ( C l a s s i ) ∗ I O U t r u t h p r e d Pr(Class_{i}|Object)Pr(Object)IOU\frac{truth}{pred}=Pr(Class_{i})*IOU\frac{truth}{pred}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
其中如果有目标中心落在一个网格里，第一项取1，否则取0。 第二项是预测目标框和实际的groundtruth之间的IoU值。
每个目标框要预测(x, y, w, h)和置信度共5个值，每个网格还要预测一个类别信息，记为C类。把输入图像划分成ShxSw个网格，每个网格要预测B个目标框，还要预测C个类别。输出就是Sh x Sw x B x (5+C)的张量tensor。（注意：类别信息针对每个网格，置信度信息针对每个目标框。）
举例说明: 在COCO数据集中，共有80个类别
目标类别：C=80
图像输入：736×1280，
大尺度特征图，屏幕网格：23×40，Sh=23，Sw=40,
网格像素：32×32，
网格锚框： B=3
特征图输出张量：[1, 3, 23, 40, 85]
; 4 yolov5目标框预测程序实现
图x-5表示yolov5三个尺度特征图的形成，图中卷积层下方数字是通道数，上方为二维图像尺寸值，输入图像为736×1280,3通道。不同尺度特征图随卷积层加深，在输入图像上的感受野不同，就是特征图对应的输入图像网格大小不同。粗略计，大尺度特征图感受野是38, 中尺度感受野22, 小尺度感受野14。感受野区域中，位于中心的像素比边缘像素对特征图输出的贡献更高，即有效感受野比理论感受野范围小，所以，感受野范围应大于检测网络范围。如此，对应的原始图像网格分别是大尺度32×32, 中尺度16×16, 小尺度8×8。
图x-5中，backbone中卷积层输出的通道数由yolov5s.yaml确定，而从yolov5网站提供的ckpt模型则Backbone和Neck通道数需除以2。
图x-5 yolov5产生三种尺度特征图
在网络推理时，每个网格预测的类别信息和目标框预测的置信度相乘，就得到每个目标框的类别置信度分class-specific confidence score:
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 t r u t h p r e d = P r ( C l a s s i ) ∗ I O U t r u t h p r e d Pr(Class_{i}|Object)Pr(Object)IOU\frac{truth}{pred}=Pr(Class_{i})*IOU\frac{truth}{pred}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
等式左边第一项就是每个网格预测的类别概率，第二三项就是每个目标框预测的置信度。这个乘积即为预测的目标框属于某个类别的概率，也有该目标框准确度的概率。
得到每个目标框的类别置信度分class-specific confidence score以后，设置阈值，滤掉得分低的目标框，对保留的目标框进行NMS处理，就得到最终的检测结果。
简单的概括就是：
(1) 给定一个输入图像，首先将图像划分成Sh x Sw的网格
(2) 对于每个网格，我们都预测3个边框（锚框，三种不同宽高比的方框）
(3) 根据上一步可以预测出Sh x Sw x3个目标窗口，然后根据阈值去除可能性比较低的目标窗口，最后NMS去除冗余窗口即可。
图x-6进一步给出三个尺度特征图输出张量包含的信息。每个尺度中，空间点上安排有三个先验框（锚框anchor），每个anchor分配边框坐标四个点（xywh），1个置信度，80个类别置信度，故每个anchor深度为85。图x-6输入图像736×1280，对应得到图中不同尺度的特征维度23x40x85, 46x80x85, 92x160x85。所对应的tensor shape分别是：[1, 3, 23, 40, 85], [1, 3, 46, 80, 85], [1, 3, 92, 160, 85]。
图x-6 yolo网络对输入图像的特征提取
尺度特征图如何能产生目标坐标信息？这是通过训练得到，训练的loss设计使输出特征与目标框真值标签ground truth间差异为最小，特征量从图形几何参数转为目标框参数，见图x-7。
图x-7 训练构造loss函数
对输入图像，经yolo网络得到尺度特征图，尺度特征图上每个二维点，对应输入图像中的网格，每个网格获得目标预测值为：坐标(tx,ty)和宽高(tw,th)，目标置信度pw，ph。按照下式计算该网格的目标坐标和目标框大小：
bx = σ(tx)*2-0.5+Cx
by = σ(ty)*2-0.5+Cy
bw = pw(σ(tw)*2)**2
bh = ph(σ(th)*2)**2
其中，σ是sigmoid函数
在yolo.py中代码是：
y = x[i].sigmoid()
y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]
z.append(y.view(bs, -1, self.no))
在x[i] (i=0,1,2对应三个尺度特征图)中，最后一个维度是85, 其前四个元素[tx,ty,tw,th]经线性回归计算，得到[bx,by,bw,bh]，使锚框接近目标的真实标签GT。此外，Pw，Ph认为是1，表示目标是positive（网格中有目标）。
图x-8 预测目标框坐标和框大小
针对输入图像736×1280, 经目标框坐标变换后，得到所有网格中的目标框张量[1, 57960,85]。
57960=(40×23+80×46+160×92)x3 是所有网格的目标框数量。
经过非极大值抑制nms处理，去除小于置信度目标，IoU阈值，类别选择，剩下的就是图像中实际的预测目标参数xywh和置信度conf。
下面图x-9形象表示了网格和目标框参数的对应情况。黑网格表示无目标 Pc = 0，下面几个黑网格虽然有目标，但占网格的比例小，IoU值小将被丢弃。绿网格为白车目标中心（绿点）所落入的网格， Pc = 1，所预测的目标框为红框。黄网格中有一个小目标，在此网格中IoU值小，也可能被丢弃，但在另一个小目标尺度的特征图网格中，将提取此目标。
图x-9 图像网格与目标框参数
图x-10是目标框的参数张量示意图，一个网格配置三个不同比例的目标框Box1,Box2,Box3，B是锚框数量。
图x-10 一个图像网格的目标框参数
Original: https://blog.csdn.net/weixin_44238733/article/details/121180095
Author: 王定邦
Title: yolov5目标框预测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/718057/
转载文章受原作者版权保护。转载请注明原作者出处！