YOLOv1原理深入理解

lijingle

yolo是最早出现的单阶段目标检测方法，也是最早的一个可以实时进行检测的算法。本文主要对yolo算法进行原理分析理解。
网络分为两部分，首先是识别，先确定图片中存在我们标注的物体，然后用边框进行定位：
如图所示：


   图一. 对图片的识别与定位
要对图片进行识别，首先我们要确定图片的哪个位置存在物体，这就需要引出候选区域，即存在物体的区域，这个区域怎么去确定，以及确定多少是一个比较复杂的问题。
这里对于二阶段的检测方法，候选区域选的比较多，当然也导致推断速度非常慢。

一，yolo方法实现
首先yolo没有消除预选框，而是将图片分为SxS个小方格，这里yolov1版本S=7，即49个方格，每个方格中挑选2个预选框，总共有98个预选框，有了预选框就需要对预选框里的物体进行预测，这里每个预选框，除了要预测物体的位置，还要预测物体的置信度，置信度的计算方法如下：

这里Pr(object)是预测物体是否落在方格里，如果是这里值为1，否则为0，IOU是预测bounding box和实际的truth之间IOU的值。每个bounding box 要预测（x,y,w,h）和confidence共5个值，每个网格还有预测一个类别信息，假设共有C类，所以每个网格输出就是(5*2+C)这里每个网格预选框为2，最终输出就为SxSx(5*2+C)的一个tensor。
这个预测图像如图所示：



二，网络结构

上图为YOLO的整个网络结构，输入图片经过神经网络变换得到一个输出张量，里面存在图像的种类以及区域。

输入和输出的对应关系如图所示：

在进行预测时，每个网格的class信息和bounding box预测的信息相乘，就会得到每个bounding box的class-specific confidence score计算如下：

这里左边是类别信息和某一类的置信度以及位置信息相乘，这结果就是某个类别以及相应的位置准确度信息。这里得到很多box的class-specific confidence score将得分比价低的box进行过滤，也就是所说的极大值抑制，NMS。
三，yolo实现细节以及相关解释

1.输入
   在网络中的全连接层要求需要固定大小的向量作为输入，所以往前也需要原始图像需要有固定的尺寸。这里作者选择的图像为448*448
2.输出：
   输出是一个7*7*30的一个tensor

3.30维向量;
   具体维度的信息如下图所示：


其中坐标的x,y用对应网格的offset归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。

在具体设计损失函数时，这里8,2,20明显不平衡，作者采用sum-squared error loss来进行设计。
这里这样设计存在问题。
1.8维的localization error和20维的classification error同样重要不合理
2.如果网格中没有object，网格的confidence为0，毕竟图像中为0的是比较多的，这种做法会overpowierng，这会导致网络发散。

解决方法：
才用加权的方式进行解决：更重视8维的坐标预测，给这些损失前面添加更大的loss weight,即为： 在Pascal VOC训练中5.
对没有object的box的confidence loss，赋予小的loss weight，记为 在pascal VOC训练中取0.5。
有object的box的confidence loss和类别的loss的loss weight正常取1
整个损失函数如下所示：