深度学习目标检测系列之YOLOV1

心已赠人 2022-12-03 09:10 215阅读 0赞

# 1.前言 #

继faster rcnn后RGB大神在目标检测领域再放大招，凭借着接近于艺术般的殿堂级表现。RGB大神成功论证那句名言，每个不断进步的人看到昨天的自己都好像是垃圾。我们都知道faster rcnn是分为两个阶段进行学习的，RCNN+RPN网络。但大神那艺术般的天人为一的直觉告诉他，不对，不对，you only look once。在一个月黑风高的晚上，这个灵感让大神激动地彻夜难眠。人生有几个百年，何不现在起来就干，于是有了这片洋洋洒洒几千余字的大作。

# 2.you only look once #

## 1.整体概述 ##

通俗一点来讲yolo,计算机本质上是人的延伸，所以我们让他尽可能的接近人，甚至是超越人类。基于faster 的二阶段目标检测理论就像是，你要知道你看到的物体在什么为位置，得先在脑海中想象一下它是什么形状，怎样的大小。但是常识告诉我们，当人们看到一个 物体的时候，并不需要停下来思考该物体可能的形状和大小。so，you only look once.

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70][]

## 2.检测流程 ##

整个检测的流程也是非常的简单，如图我们看到有三步，第一步将图片缩放为网络可以接受的大小(448\*448)；第二步使用卷积网络提取特征，然后使用全连接输出预测框；第三步进行非极大值抑制，删除掉多余的框。

![20200902193907643.png][]

## 3.网络结构 ##

下面就是整个网络的结构示意图，总共有24个卷积层，2个全连接层，后面接一个输出层。借鉴了残差网络思想，使用1\*1的卷积层来对上一层特征进行下采样。同时训练了一个fast yolo,使用9层卷积替换 24层卷积。

最后输出是一个7\*7\*30的张量，对于这个数据进行解释一下，yolo会将原始的图片切分成S\*S(7\*7)的cell网格；每个cell只负责预测一个类别物体C；每个cell预测两个候选框B；每一个候选框需要输出五个值x、y、w、h、Pr(Object)。其中包括框的中心点位置(x,y)(相对于cell左上角的偏移量)宽高w、h,和置信度Pr(是否有物体的概率\*IOU)因为在pascal数据集上是20分类，每个类别有对应的概率信息。所以最后的输出就是上面的 S\*S\*(2\*5+20) = 7\*7\*30;![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 1][]

## 4.损失函数 ##

看起来好麻烦的这个损失函数其实可以分为三个部分，候选框、置信度、分类；均采用se平方差损失。其中λcoord(5)和λnoobj(0.5)为了均衡正例太少负例太多对损失的影响；w、h开根号是为了平衡不同大小的框(相同的差距对于小框的影响要大于大框，平方根来缓和这种不一致性)；然后就是对于正例三种损失都有，对于负例只有置信度的损失。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 2][]

## 5.激活函数 ##

yolov1使用的是leaky relu，而非传统的relu;也就是说小于0的值，不是按照0来处理，而是乘以0.1。

![20200902221205462.png][]

## 6.训练 ##

1.在训练的时候，数据预处理包括随机的缩放、旋转、将色域转换为HSV后进行曝光度和饱和度的调整。

2.现在imagenet数据集上预训练前20个卷积层，最后的训练和测试使用darknet进行

3.将学习率缓慢的有0.001增长到0.01训练75个轮次、再使用0.001训练30轮次、最后使用0.0001训练30轮次

4.在第一个全连接层使用了0.5的dropout率

5.最后yolo在voc数据集MAP(准确率和召回率计算)达到了63.4，速度达到45FPS,如果主干使用VGG16的话MAP可达到66.4，但是速度会下降为21FPS,勉强可以达到实时。我们看到伟大的yolo虽然在准确率方面比faster有所下降，但是其速度达到了一个 质的提升，能满足大多数场景下对于实时性的需求。但是其召回率方面确实还需要在提升一下，不要担心我们还有yolov2、yolov3和今年刚出来的yolov4,以及刚出来却被别人评价配不上yolo5这个名字的yolov5；反正4、5都不是大神RGB自己做的了，RGB走了，就像周杰伦也不出歌了。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 3][]

# 3.相关问题 #

1.论文说物体中心点所在的cell负责预测这个物体，如何实现？

这个属于工程上的具体实现问题，确实很头疼，但是搞清楚了这个问题你基本上就把yolo代码的内部处理逻辑搞清楚了。

通过源码我们知道，yolo会预先组织出图片中真实框所对应的信息S\*S\*25(S\*S\*(置信度+真实框(x,y,w,h)+分类))，对比我们预测框S\*S\*(2\*5+20)，因为真实图片中一个cell只负责预测一个框所以不需要乘2。然后会计算真实框的中心点坐标落在哪一个cell中，使用x\*(cell\_size/image\_size)的方式。比如真实框的中心点位置为(224\*224),那么负责预测这个真实框的cell就是(int(224\*7/448)=3,int(224\*7/448)=3),即第三行第三列个cell。

def load_pascal_annotation(self, index):
            """
            Load image and bounding boxes info from XML file in the PASCAL VOC
            format.
            """
    
            imname = os.path.join(self.data_path, 'JPEGImages', index + '.jpg')
            im = cv2.imread(imname)
            h_ratio = 1.0 * self.image_size / im.shape[0]
            w_ratio = 1.0 * self.image_size / im.shape[1]
            # im = cv2.resize(im, [self.image_size, self.image_size])
    
            label = np.zeros((self.cell_size, self.cell_size, 25))
            filename = os.path.join(self.data_path, 'Annotations', index + '.xml')
            tree = ET.parse(filename)
            objs = tree.findall('object')
    
            for obj in objs:
                bbox = obj.find('bndbox')
                # Make pixel indexes 0-based
                #如果图像进行了缩放 框也要进行相应的缩放
                x1 = max(min((float(bbox.find('xmin').text) - 1) * w_ratio, self.image_size - 1), 0)
                y1 = max(min((float(bbox.find('ymin').text) - 1) * h_ratio, self.image_size - 1), 0)
                x2 = max(min((float(bbox.find('xmax').text) - 1) * w_ratio, self.image_size - 1), 0)
                y2 = max(min((float(bbox.find('ymax').text) - 1) * h_ratio, self.image_size - 1), 0)
                #name属性代表了类别
                cls_ind = self.class_to_ind[obj.find('name').text.lower().strip()]
                #中心点坐标 宽 高
                boxes = [(x2 + x1) / 2.0, (y2 + y1) / 2.0, x2 - x1, y2 - y1]
                #计算中心点的坐标落在哪一个cell单元格内
                x_ind = int(boxes[0] * self.cell_size / self.image_size)
                y_ind = int(boxes[1] * self.cell_size / self.image_size)
                if label[y_ind, x_ind, 0] == 1:
                    continue
                #置信度为1 框的坐标 对应的类别为1
                label[y_ind, x_ind, 0] = 1
                label[y_ind, x_ind, 1:5] = boxes
                label[y_ind, x_ind, 5 + cls_ind] = 1
    
            return label, len(objs)

最后在计算loss的时候response对应的就是真实框的置信度，计算loss的时候一个cell中对应的IOU最大的那个框会被预测置信度会置为1，response过滤了所有不负责预测的cell,IOU最大值过滤掉了预测不准确的框，两者相乘就是我们需要调节的框。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 4][]

2.如何将原图划分为S\*S个cell

由问题一可知，我们会把真实框划分为 S\*S\*25,就将我们的真实框表示为了区域划分的形式，最后计算loss也是以这样划分区域的方式来计算的。这就实现了划分区域来预测的功能。

# 4.总结 #

本文我们介绍了曾经很牛逼的yoloV1，其使用一个统一的网络实现了目标检测端到端处理。先使用darknet网络提取特征，再接全连接层进行预测。将原图分成了S\*S个区域cell，对物体中心所在的cell进行调整。在NMS非极大值抑制的时候，跟以往的按照阈值留取的方式不同，而是直接取IOU最大的框，来进行调整。还介绍了yolo的三段形式的损失函数。通过这么一种简洁的形式，yolo在预测速度上满足了实时性，美中不足的是在准确率方面yolo还需要再加加油。人家也努力了，也成功了，后面我们就会介绍到。敬请期待！

卧槽，又这么晚了。我发现晚睡晚起是我最舒服的作息时间。我现在特别喜欢那种不学习，一味的玩游戏的负罪感。这么多年，我被这种负罪感折磨着，现在终于成功的摆脱了。那个字叫做爽，现在我再也不是学习的奴隶，而学习是我的小弟了。我明天就要挑战自己什么都不干，我就看电影，往死了看。我就睡觉，我就发呆，反正我就是不学习。牛逼，真牛逼！

Giao哥与徐真真合作最新单曲《开心真Giao》

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70]: /images/20221123/9dc01f8460194f5e858c91eab8336097.png
[20200902193907643.png]: /images/20221123/67f6f1611c73494f9f817ffa96438eef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 1]: /images/20221123/f2ab384f09ad450ba8cd658e90f7ea50.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 2]: /images/20221123/daeae6e154144323b2e3db78c0973a4b.png
[20200902221205462.png]: /images/20221123/6e96ea5cf24d4d61af483580be9641e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 3]: /images/20221123/e4ecbca1f55e4ab8aca5ec8ce3cc9870.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70 4]: /images/20221123/c5777543c0624c3abbe5cfc3fa63e5a0.png