YOLO V1學習筆記

YOLO V1學習筆記

1.YOLOV1的思路：

         YOLO的核心思想就是利用整張圖作爲網絡的輸入，直接在輸出層迴歸bounding box的位置和bounding box所屬的類別，把目標檢測的問題轉化成一個迴歸問題。

 

2.YOLO系列的特點：

    （1）速度快，能夠達到實時的要求，在Titan X的GPU上 能夠達到 45 幀每秒；

    （2）使用全圖作爲環境信息，背景錯誤（把背景錯認爲物體）比較少；

    （3）泛化能力強。

 

 

3.YOLOV1處理流程：

    （1）基本操作：

                1）YOLO將圖片分成7*7的單元網格，每個單元網格對應2個bounding box，故共有98個bounding box；

                2）YOLO中每一個目標只對應一箇中心點，該中心點只唯一出現在一個單元網格中，目標中心點落在的單元網格負責迴歸該目標；

    （2）訓練過程：

                1）輸入圖像爲448*448*3，經過類似GoogLenet（不相同）的網絡卷積後，得到7*7*30的特徵圖，7*7對應每一個單元網格，30個維度對應2個bbox的5個位置信息和置信度，以及20個類別信息；

                2）損失函數分爲三部分：座標偏移/置信度損失/分類損失。

    （3）測試過程：

                1）網絡訓練好後，輸入一張圖片，得到98個bbox的預測結果，其中包括置信度/分類和位置信息。

                2）分類概率顯然是一個條件概率，與前面的置信度相乘，得到真正Pr（Classi）*IoU，對所有98個bbox都進行這些操作，得到98個20*1的分類得分；

                3）再針對某一個目標的得分進行降序排列，將小於某個閾值的得分清零，再進行NMS操作得到對應的98個20*1的分類得分；

                4）對其中一個bbox的分類得分查找其最大的score，如果大於0標記bbox爲結果並輸出；沒有則放棄該bbox。由於置信度的存在，使得大部分的得分都是0，如果最大爲0，說明該bbox對應的單元網格不是任何目標的中心點。

 

4.網絡結構：

          YOLOV1的網絡結構借鑑了GoogLeNet（用1×1卷積層緊跟 3×3卷積層取代Goolenet的inception模塊），包括24個卷積層，2個全連接層；在該結構中輸入圖像的尺寸固定爲448*448，最終輸出的特徵圖大小爲7*7*30。

 

5.實現細節：

    （1）模型用ImageNet預訓練；

    （2）訓練中使用Dropout和數據增強防止過擬合；

    （3）激活函數除最後一層使用線性激活函數外，其他層使用leak RELU；

    （4）最終的預測特徵由類別概率/邊框的置信度和邊框的位置組合構成。其中類別概率共20個類別，置信度表示區域內包含物體的概率，由於有兩個邊框因此存在兩個置信度，邊框位置爲4*2共8個預測值，因此一共有30個預測值；

    （5）預測值座標的x,y用對應網格的offset歸一化到0-1之間，w,h用圖像的width和height歸一化到0-1之間。

    （6）一個區域內兩個框共用一個類別預測，在訓練時選取與物體IOU更大的框，在測試時選取置信度更高的框，另一個捨棄；因此整張圖最多檢測出49個目標；

    （7）FasterRCNN將背景作爲一個類別共21個類別，而YOLO將置信度和類別分開。

 

6.損失函數：

    （1）正負樣本區分原則：

              1）當一個真實物體的中心點落在了某個區域內，該區域負責檢測這個物體，具體做法是將與該真實物體有最大IOU的邊框設爲正樣本，這個區域的類別真值爲該真實物體的類別，該邊框的置信度真值爲1；

              2）除了上述被賦予正樣本的邊框，其餘邊框全部賦予負樣本，負樣本沒有類別損失和位置損失，只有置信度損失，其真值爲0。

    （2）損失函數構成：

              損失函數中包括五個部分：

                1）正樣本中心點座標的損失；

                2）正樣本寬高的損失；

                3）正樣本的置信度損失；

                4）負樣本的置信度損失；

                5）正樣本的類別損失。

              損失函數的設計目標就是讓座標損失/置信度損失/分類損失這三個方面達到很好的平衡，解決辦法是：

                1）更重視8維的座標預測，給這些損失前面賦予更大的損失權重, 在pascal VOC訓練中取5；

                2）對沒有目標的bbox的置信度損失，賦予小的損失權重，在pascal VOC訓練中取0.5；

                3）有目標的bbox的置信度損失和類別損失的損失權重正常取1。

                4）對不同大小的bbox預測中，相比於大bbox預測偏一點，小box預測偏一點更敏感。作者將box的width和height取平方根代替原本的height和width。small bbox的橫軸值較小，發生偏移時，反應到y軸上的損失比big box要大。

              在這個損失函數中：

              只有當某個網格中有目標的時候纔對分類誤差進行懲罰。

              只有當某個預測框對某個ground truth box負責的時候，纔會對box的座標誤差進行懲罰，而對哪個ground truth box負責就看其預測值和ground truth box的IOU是不是在那個單元格的所有box中最大。

              一個網格預測多個bounding box，在訓練時希望每個真實目標只有一個bounding box專門負責，具體做法是與gtbox（目標）的IOU最大的bounding box 負責該ground true box(目標)的預測，每個預測器會對特定大小/縱橫比/分類的gt box預測的越來越好；IOU最大者偏移會更少一些，可以更快速的學習到正確位置。

 

7.YOLOV1缺點：

    （1）小物體/靠的近的物體檢測效果不好；

    （2）新的/不常見的長寬比檢測效果不好；

    （3）邊框檢測精度不高；

    （4）大物體/小物體的位置損失權重相同，導致同等比例的定位誤差，會使小物體定位不準確；

 

8..參考資料：

    （1）YOLO V1的過程解讀

    （2）深刻解讀YOLO V1

    （3）《深度學習之pytorch物體檢測實戰》