YOLO物体检测-系列教程1：YOLOV1整体解读（预选框/置信度/分类任/回归任务/损失函数/公式解析/置信度/非极大值抑制）

🎈🎈🎈YOLO 系列教程 总目录

YOLOV1整体解读
YOLOV2整体解读

YOLOV1提出论文：You Only Look Once: Unified, Real-Time Object Detection

1、物体检测经典方法

• two-stage（两阶段）：Faster-rcnn Mask-Rcnn系列
• one-stage（单阶段）：YOLO系列

• 最核心的优势：速度非常快，适合做实时检测任务！
• 但是缺点也是有的，效果通常情况下不会太好！

2、机器学习分类任务评价指标

机器学习 分类任务 评价指标

3、YOLOV1简介

• 经典的物体检测算法
• You Only Look Once，名字就已经说明了一切
• 把检测问题转化为回归问题，一个CNN就搞定了
• 可以对视频进行检测，应用领域非常广

只需要一个起始位置坐标，加上长和宽，即（x，y，w，h），就能把一个物体框出来了，这就是转化为回归问题

YOLO算法，在当时15、16年等了很久，因为Faster R-CNN精度高，但是太慢了，速度在当时比精度更重要

4、YOLOV1预测流程

1. 把图像分词S*S个格子
2. 遍历每个格子，如果哪一个物体的中心点落在了这个格子，那么这个格子就负责预测这个物体
3. 得到了若干个格子，遍历每一个格子
4. 根据当前的格子都生成两个候选框，找出一个接近的框
5. 现在有了一个这个物体的位置，需要调整框的长宽来得到最终结果
6. 在调整的过程中会得到很多个候选框，每个候选框都会得到一个confidence值（即置信度，这个置信度表示了当前框住的部分是否是一个我们需要检测的物体）
7. 置信度低的框会被过滤掉（因为目标格子可能会有多个，但是不一定都符合）

总结：

首先输入就是一个S*S个格子，每一个格子都产生两个候选框，产生两个候选框进行微调，但是不是所有候选框都进行微调，需要切实有物体的，什么时候有物体，通过执行度来判断

5、整体网络架构

输入图像是一个448*448，是一个固定值（这个固定值并不意味着只能检测固定大小的东西，这个固定值是通过openCV的resize到固定值得到，里面的物体会进行缩放，最后的框会映射到一个完整的原始图像中），这个固定值也导致了一些问题，在v1版本中有一定的局限性

1. 输入数据（448,448,3）
2. 经过20层修改的GoogLeNet，得到（14,14,1024）
3. 经过2次Conv+relu，得到（14,14,1024）
4. 经过2次Conv+relu，得到（7,7,1024）
5. 一次拉平操作+FC+relu，得到（4096,1）
6. 一次全连接（1470,1）
7. reshape（7,7,30）
8. 生成检测

在网络的最后得到一个（7，7，30）的特征图，这个特征图表示的意义：77表示前面提到的SS个grid格子，在7*7的格子中，每一个格子都有30个值，每一个格子都要预测出30个值。

30个值的意义：

• 7*7个格子分别对应$B_1$、$B_2$两个框，比如$B_1$框，对应了4个值$（x_1，y_1，w_1，b_1）$就可以表示成一个唯一的框，但是这里的$x_1和y_1$不是一个具体的坐标值，是经过归一化后得到的一个在0到1之间的相对值
• 因此$B_2$框，也对应了4个值$（x_2，y_2，w_2，b_2）$
• 此外每一个框，是不是有框住了物体呢？有一个置信度C值。
• 因此$B_1$框，对应5个值$（x_1，y_1，w_1，b_1，C_1）$，$B_2$框，对应了5个值$（x_2，y_2，w_2，b_2，C_2）$
• 在前面提到了一共有30个值，前10个对应了这10个值，后面的20个值，则是对应了20分类，也就是对应了20个类别的概率值。

了解了30个值的意义，就了解了（7，7，30），就基本懂了yolo-v1了

6、损失函数计算公式

6.1 每个数字的意义

前面我们已经解释了每个数字的意义

• 10 = （X，Y，W，H，C）* 2
• 当前数据集有20个类别
• 7*7代表最终网格的大小
• SS（B*5+C）

6.2 坐标回归误差（中心点定位）

位置损失计算的是（X，Y，W，H）这4个值和真实值之间的误差
前面我们仔细解释了各项参数的含义，下面陆续给出整个损失计算公式，首先是位置损失，位置损失又包含两部分，分别是坐标和长宽，不是一个具体的坐标值，是经过归一化后得到的一个在0到1之间的相对值
$${\lambda }_{coord}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{obj}[(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2]$$

1. ${\lambda }_{coord}$=5：超参数，坐标损失的权重
2. ${\sum }_{i=0}^{S^2}$：遍历所有的grid cell格子
3. ${\sum }_{j=0}^B$：遍历所有的bounding box候选框
4. 指示函数$1_{ij}^{obj}$：挑选负责检测物体的bbox
5. $(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2$：中心点定位 预测值和 标签值 的差的平方和

6.3 坐标回归误差（长宽定位）

$$+{\lambda }_{coord}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{obj}[(\sqrt{w_i}-\sqrt{{\hat{w}}_i}{)}^2+(\sqrt{h_i}-\sqrt{{\hat{h}}_i}{)}^2]$$

1. ${\lambda }_{coord}$=5：超参数，坐标损失的权重
2. ${\sum }_{i=0}^{S^2}$：遍历所有的grid cell格子
3. ${\sum }_{j=0}^B$：遍历所有的bounding box候选框
4. 指示函数$1_{ij}^{obj}$：挑选负责检测物体的bbox
5. $(\sqrt{w_i}-\sqrt{{\hat{w}}_i}{)}^2+(\sqrt{h_i}-\sqrt{{\hat{h}}_i}{)}^2$ ：宽高定位 预测值和标签值 算术平方根的差的平方和

求根号能使小框对误差更敏感

6.4 置信度回归误差（含有object）

主要是判断当前预测的是前景还是背景，含有object物体即为前景
$$\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{obj}(C_i-{\hat{C}}_i{)}^2$$

1. ${\sum }_{i=0}^{S^2}$：遍历所有的grid cell格子
2. ${\sum }_{j=0}^B$：遍历所有的bounding box候选框
3. 指示函数$1_{ij}^{obj}$：挑选负责检测物体的bbox
4. $(C_i-{\hat{C}}_i{)}^2：$ 预测值和标签值差的平方和
5. $C_i$ ：从模型正向推断结果为SS(B*5+C)维向量找到这个bbox的confidence score
6. ${\hat{C}}_i$ ：计算这个bbox与ground truth的IOU

6.5 置信度回归误差（不含有object）

$${\lambda }_{noobj}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{noobj}(C_i-{\hat{C}}_i{)}^2$$

1. ${\lambda }_{noobj}=0.5$：超参数，非目标置信度损失的权重
2. ${\sum }_{i=0}^{S^2}$：遍历所有的grid cell格子
3. ${\sum }_{j=0}^B$：遍历所有的bounding box候选框
4. 指示函数$1_{ij}^{noobj}$：挑选不负责检测物体的bbox
5. $(C_i-{\hat{C}}_i{)}^2$ ：预测值和标签值差的平方和

6.6 分类误差

$$\sum _{i=0}^{S^2}{1}_i^{obj}\sum _{C\in classes}(p_i(C)-{\hat{p}}_i(c){)}^2$$

1. ${\sum }_{i=0}^{S^2}$：遍历所有的grid cell格子
2. $1_i^{obj}$：挑选不负责检测物体的bbox
3. ${\sum }_{C\in classes}$：遍历所有类别

7、指示函数

前面的误差计算公式提到了三个指示函数：

7.1 第1个 $1_i^{obj}$

$$1_i^{obj}=\{\begin{array}{ll}1,& \text{如果第 }i\text{ 个网格单元包含目标。}\\ 0,& \text{否则。}\end{array}$$

$1_i^{obj}$：第i个grid cell是否包含物体，也即是否有groud truth框的中心点落在grid cell中，若有则为1，否则为0

7.2 第2个$1_{ij}^{obj}$

$$1_{ij}^{obj}=\{\begin{array}{ll}1,& \text{如果第 }i\text{ 个网格单元中的第 }j\text{ 个边界框预测到了目标。}\\ 0,& \text{否则。}\end{array}$$
$1_{ij}^{noobj}$：第i个grid cell的第j个bounding box若负责预测物体则为1，否则为0

7.3 第3个$1_{ij}^{noobj}$

$$1_{ij}^{noobj}=\{\begin{array}{ll}1,& \text{如果第 }i\text{ 个网格单元中的第 }j\text{ 个边界框没有预测到目标。}\\ 0,& \text{否则。}\end{array}$$
$1_{ij}^{noobj}$：第i个grid cell的第j个bounding box若不负责预测物体则为1，否则为0

• $1_{ij}^{obj}$为1，$1_i^{obj}$也必为1
• $1_{ij}^{obj}$为1，$1_{ij}^{noobj}$必为0

8、NMS(非极大值抑制)

置信度是可以设置的，设置的较大的时候则比较严格，可能出现有些物体没有被检测，较小的时候可能一个物体出现多个预选框。
但是有时候就算设置较大的置信度，还是出现了多个预选框，我们可以进行非极大值抑制操作，对预选框的置信度进行排序，最终只选取较大的预选框。

YOLOV1到这里内容就全部都结束了，那YOLOV1有哪些问题呢？

1. 小物体检测效果不好：当前一个grid cell只预测一个类别，当有两个物体高度重合在一起的时候，比如一只狗的旁边还有一只猫，那可能只能检测出狗。
2. 多标签预测效果不好：这里介绍的是20分类，实际任务可以设置更多或者更少的分类，假设标签中有狗这个类别，还有斑点狗，还有哈士奇之类的，可能一个物体对应了两个标签，既是狗又是哈士奇，softmax可能无法拿到多个标签

那么YOLOV2做了哪些改进呢？

YOLOV1整体解读
YOLOV2整体解读