YOLO V1-V3 简单介绍

目录

1. YOLO 

2. YOLO V1

3. YOLO V2

4. YOLO V3

5. YOLO V3 SPP网络

5.1 Mosaic 图像增强

5.2 SPP 模块

5.3 CIou Loss

5.4 Focal loss

---

1. YOLO 

YOLO 是目标检测任务强大的算法，将目标检测的问题转换边界框和相关概率的回归问题，是目标检测单阶段的代表。

YOLO 的全称是You Only Look Once

本章只会对YOLO的前三个版本进行简单的介绍，后面会根据YOLO V3 SPP的trick版本进行训练

2. YOLO V1

yolo v1的代表图如下：

注意：yolo v1没有anchor 的概念

yolo v1将输入图像经过特征提取后，划分为 7 * 7(S = 7)个grid cell。每一个grid cell 会预测两个边界框(B = 2)，而yolo v1是在PASCAL VOC 20 个类别进行训练的，所以每一个边界框还会预测20个类别得分(C = 20)。

其中每一个预测框还包括五个输出，前四个为边界框的x，y，w，h，最后一个是置信度，其实就是预测目标和真实ground truth的iou 。

每一个grid cell 产生两个边界框，由最好的那个边界框负责拟合真实的gt

所以，yolo v1的输入是一幅图像，输出是 7 * 7 *(2*5 + 20) = 7*7*30的张量(20个类别的得分是共享的)

yolo v1 的缺点:

• 因为7*7的网格只会预测49个物体，所以yolo v1对密集的物体或者多个小物体的检测不是很好
• 定位精度较差，没有像 faster-rcnn 那样基于anchor的准确

3. YOLO V2

yolo v2 相比于v1 增加了很多 ideas

总而言之，yolo v2的输入是416*416，输出是13*13(grid cell)*5（每一个网格预测五个边界框）* （5*20）的张量

4. YOLO V3

yolo v3输出是3个尺度的，分别是输入图像下采样的8、16、32倍。而一般输入的size是416*416，下采样后的三个尺度是52*52，26*26，13*13

yolo v3更改了网络的backbone，具体的yolo v3如下：

yolo v3输出的预测特征图是三个尺度，每一个grid cell 预测3个边界框，而每一个预测框产生4个坐标偏移值，1个置信度和80个coco的类别得分

关于偏移量，如下：

x、y 相对于每个grid cell左上角的偏移，经过sigmoid可以限制到0-1之间，这样预测的x、y就不会跑出对应的grid cell外面。w，h 相对于全图的缩放比例

关于正负样本分配：

正样本：针对于gt而已，预测最好的为正样本。每一个gt都会分配一个正样本

忽略的样本：预测的还行，但是不是最好的，例如与gt的iou >0.5，那么这类边界框忽略

负样本：剩下的样本均为负样本

5. YOLO V3 SPP网络

YOLO V3 SPP网络对提升网络性能增加了很多的tricks

5.1 Mosaic 图像增强

将多个图像拼接在一起训练，可以增加数据的多样性、单幅图像目标的个数也会增多

这里默认4张图像拼接

 

5.2 SPP 模块

多尺度输出结果前，仅仅在第一个前面增加了SPP模块，实现了不同尺度的信融合

 

5.3 CIou Loss

CIou Loss 损失

 

• 关于iou loss：

缺点是预测框和gt没有重合的时候，loss = 0

 

• 关于giou loss：绿色为预测，红色为gt

预测框和gt完美融合，giou = 1；预测框和gt相距无穷远，giou = -1

 giou 的缺点：

 

• 关于Diou loss：distance iou

iou loss 和 giou loss 有两个问题：收敛太慢、回归不够准确

 预测框和gt完美融合，diou = 1；预测框和gt相距无穷远，diou = -1

 

• 关于Ciou loss：

 

5.4 Focal loss

Focal loss 最初用于图像领域解决数据不平衡造成的模型性能问题