YOLOv1 Introduction

作者將目標(biāo)檢測(cè)進(jìn)行重構(gòu)并看作為單一的回歸問(wèn)題，直接從圖像到邊界框坐標(biāo)和類(lèi)別概率。使用我們的系統(tǒng)，您只需要在圖像上看一次（you only look once, YOLO），以預(yù)測(cè)出現(xiàn)的目標(biāo)和位置。

十多年的曲陽(yáng)網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開(kāi)發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。成都全網(wǎng)營(yíng)銷(xiāo)推廣的優(yōu)勢(shì)是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整曲陽(yáng)建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無(wú)論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)公司從事“曲陽(yáng)網(wǎng)站設(shè)計(jì)”,“曲陽(yáng)網(wǎng)站推廣”以來(lái)，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

系統(tǒng)將輸入圖像分成 S×S 的網(wǎng)格。如果一個(gè)目標(biāo)的中心落入一個(gè)網(wǎng)格單元中，該網(wǎng)格單元負(fù)責(zé)檢測(cè)該目標(biāo)。每個(gè)網(wǎng)格單元預(yù)測(cè)這些box的 B 個(gè)邊界框，每個(gè)邊界框包含 5 個(gè)預(yù)測(cè)：x、y、w、h 和置信度(一般用交并比)。

每個(gè)網(wǎng)格單元還預(yù)測(cè) C 個(gè)條件類(lèi)別概率，不管邊界框的的數(shù)量 B 是多少，每個(gè)網(wǎng)格單元只預(yù)測(cè)的一組類(lèi)別概率。

在測(cè)試時(shí)，我們乘以條件類(lèi)概率和單個(gè)盒子的置信度預(yù)測(cè)值

這些分?jǐn)?shù)表示該類(lèi)出現(xiàn)在框中的概率以及預(yù)測(cè)框擬合目標(biāo)的程度。

Network Design

為了在 VOC 上評(píng)估 YOLO，使用 S=7，B=2。VOC 有 20 個(gè)標(biāo)注類(lèi)，所以 C=20。所以最終的預(yù)測(cè)是 7×7×30（30=2*5+20） 的張量。

使用卷積層從圖像中提取特征，全連接層預(yù)測(cè)輸出概率和坐標(biāo)。

檢測(cè)網(wǎng)絡(luò)受GoogleNet影響，有 24 個(gè)卷積層，其次是 2 個(gè)全連接層

先將ImageNet圖像分辨率轉(zhuǎn)為224x224，輸入網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，然后轉(zhuǎn)換模型進(jìn)行檢測(cè)任務(wù)。

yolov1在訓(xùn)練時(shí)輸入的圖像分辨率為224×224，在預(yù)測(cè)時(shí)使用的圖像為 448×448。

最后一層預(yù)測(cè)類(lèi)別概率和邊界框坐標(biāo)。通過(guò)圖像的寬高來(lái)歸一化邊界框的寬度和高度及x,y，使它們落在 0 和 1 之間。

我們對(duì)最后一層使用線性激活函數(shù)，所有其它層使用下面的leaky ReLU 激活函數(shù)

我們使用平方和誤差是因?yàn)樗苋菀走M(jìn)行優(yōu)化，但是它并不完全符合大化平均精度的目標(biāo)。

分類(lèi)誤差與定位誤差的權(quán)重是一樣的，這可能并不理想。

另外，在每張圖像中，許多網(wǎng)格單元不包含任何對(duì)象。這將導(dǎo)致這些單元格的“置信度”為零，這可能導(dǎo)致模型不穩(wěn)定。為了改善這一點(diǎn)，我們?cè)黾恿诉吔缈蜃鴺?biāo)預(yù)測(cè)的損失，并減少了不包含目標(biāo)邊界框的置信度預(yù)測(cè)的損失 。

平方和誤差也可以在大box和小box中同樣加權(quán)誤差。我們的誤差指標(biāo)應(yīng)該反映出，大box中 小偏差的重要性不如小box中小偏差的重要性。為了部分解決這個(gè)問(wèn)題，我們直接預(yù)測(cè)邊界框?qū)挾群透叨鹊钠椒礁?，而不是寬度和高度?/p>

YOLO 每個(gè)網(wǎng)格單元預(yù)測(cè)多個(gè)邊界框。在訓(xùn)練時(shí)，每個(gè)目標(biāo)我們只需要一個(gè)邊界框預(yù)測(cè)器來(lái)負(fù)責(zé)。我們根據(jù)哪個(gè)預(yù)測(cè)器的預(yù)測(cè)值與真實(shí)值之間具有當(dāng)前最高的 IOU 來(lái)指定哪個(gè)預(yù)測(cè)器“負(fù)責(zé)”預(yù)測(cè)該目標(biāo)。

這導(dǎo)致邊界框預(yù)測(cè)器之間的專一化。每個(gè)預(yù)測(cè)器可以更好地預(yù)測(cè)特定大小、長(zhǎng)寬比或目標(biāo)的類(lèi)別，從而改善整體召回率。

如果目標(biāo)存在于該網(wǎng)格單元中（前面討論的條件類(lèi)別概率），則損失函數(shù)僅懲罰分類(lèi)誤差。如果預(yù)測(cè)器“負(fù)責(zé)”真實(shí)邊界框（即該網(wǎng)格單元中具有最高 IOU 的預(yù)測(cè)器），則它也僅懲罰邊界框坐標(biāo)誤差

為了避免過(guò)度擬合，我們使用 dropout 和大量的數(shù)據(jù)增強(qiáng)。

Inference

與訓(xùn)練時(shí)一樣，預(yù)測(cè)測(cè)試圖像的檢測(cè)只需要一次網(wǎng)絡(luò)評(píng)估。在VOC 上，每張圖像上網(wǎng)絡(luò)預(yù)測(cè) 98 個(gè)邊界框（圖像被劃分成 7*7 的格子，每個(gè)格子預(yù)測(cè)兩個(gè)邊界框，總共 98 個(gè)邊界框）和每個(gè)框的類(lèi)別概率。YOLO 在測(cè)試時(shí)非?？欤?yàn)樗恍枰\(yùn)行一次網(wǎng)絡(luò)評(píng)估.

網(wǎng)格強(qiáng)化了邊界框預(yù)測(cè)中的空間多樣性。然而，一些大的目標(biāo)或靠近多個(gè)網(wǎng)格單元邊界的目標(biāo)可以被多個(gè)網(wǎng)格單元很好地定位。非極大值抑制（NMS）可以用來(lái)修正這些多重檢測(cè)。

在得到推理結(jié)果后，如何獲取我們真正想要的信息呢？

yolo后處理就是模型的輸出進(jìn)行處理，得到我們想要的坐標(biāo)框的 x y w h xywh xywh以及 c o n f i d e n c e confidence confidence

學(xué)習(xí)筆記

這是yolov1的模型，他將圖像劃分成了7x7個(gè)網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè)兩個(gè)邊界框，每個(gè)邊界框都有5個(gè)信息$x、y、w、h、confidence $ ，（這個(gè)confidence是該區(qū)域有目標(biāo)框的概率），共預(yù)測(cè)20個(gè)類(lèi)，每個(gè)類(lèi)都有一個(gè)置信度信息（這個(gè)confidence是這個(gè)框是貓是狗的概率），所以最終輸出為 7 ? 7 ? 30 7*7*30 7?7?30

然后每個(gè)邊界框的confidence 乘以所有類(lèi)別的confidence就是邊界框的全概率

這樣每個(gè)grid cell都能有兩個(gè)20維向量，一共49個(gè)grid cell，所以共有98個(gè)向量

這些向量就組成如下的很多邊界框

下一步就是篩選出真正的邊界框

第一步：這張圖片上并不是有20個(gè)類(lèi)的，所以先有個(gè)閾值將大于這個(gè)閾值的類(lèi)別篩選出來(lái)，比如篩選出了dog、bicycle、car
然后分別對(duì)這三個(gè)類(lèi)處理，比如先對(duì)dog，從dog類(lèi)的所有96個(gè)置信度進(jìn)行從大到小排個(gè)序，設(shè)置一個(gè)閾值，confidence小于這個(gè)閾值的就被舍去了。

但確實(shí)還有真正包含某個(gè)物體的多個(gè)框，比如下面四個(gè)bbox的置信度都比較大，那怎么從這多個(gè)框中選擇最合適的呢？

下面就是非極大抑制NMS

應(yīng)該先將置信度大的拿出來(lái)，然后后面的每一個(gè)都與第一個(gè)大的作比較，如果IOU大于某個(gè)閾值，則認(rèn)為兩個(gè)識(shí)別了同一個(gè)物體，則把低置信度的那個(gè)抑制掉。比如bbox20和bbox47重合度較大，所以認(rèn)為兩個(gè)是同一物體。

如果IOU小于這個(gè)閾值，就說(shuō)明兩個(gè)框不是識(shí)別的同一個(gè)物體，保留。bb15和bb7與bb47的重合度較小，所以認(rèn)為兩個(gè)box不是同一個(gè)物體。

然后選取剩下的第二大置信度作為基box，其他框再與這個(gè)框比較，比如bb7和bb15重合度較大，認(rèn)為這兩個(gè)box內(nèi)是同一個(gè)物體。

合適的閾值下可能只留下一個(gè)框，當(dāng)然某些閾值下可能會(huì)保留更多的框，閾值的設(shè)置應(yīng)該是根據(jù)目標(biāo)任務(wù)設(shè)置的，越高的閾值（越不容易置零，即越寬容）會(huì)檢測(cè)出越多的目標(biāo)。

對(duì)其他類(lèi)別也是同樣操作，就得到了所有的目標(biāo)框。

當(dāng)然注意，在訓(xùn)練階段是不需要剔除框的，所有框?qū)ξ覀兎聪騻鞑?shù)更新都是有用的，只是在推理階段需要這樣做。

how to train

每個(gè)grid cell 預(yù)測(cè)兩個(gè)bbox，但只負(fù)責(zé)預(yù)測(cè)一個(gè)物體，也就是整張圖片最多預(yù)測(cè)49個(gè)物體，這也就是為什么yolov1對(duì)密集小目標(biāo)檢測(cè)效果不好的原因。

LOSS

yolov1的損失函數(shù)分為三部分

• 第一部分是負(fù)責(zé)檢測(cè)物體的bbox中心點(diǎn)定位誤差以及寬高誤差
• 第二部分是負(fù)責(zé)檢測(cè)物體的bbox的confidence誤差和不負(fù)責(zé)檢測(cè)物體的bbox的confidence誤差
• 第三部分是負(fù)責(zé)檢測(cè)物體grid cell分類(lèi)誤差

Limitations

• YOLO 對(duì)邊界框預(yù)測(cè)強(qiáng)加空間約束，因?yàn)槊總€(gè)網(wǎng)格單元只預(yù)測(cè)兩個(gè)框，只能有一個(gè)類(lèi)別。這樣就限制了模型可預(yù)測(cè)的鄰近目標(biāo)的數(shù)量。因此對(duì)物體較為密集的場(chǎng)景預(yù)測(cè)效果較差。

• 模型學(xué)習(xí)從數(shù)據(jù)中預(yù)測(cè)邊界框，因此它很難泛化到新的、不常見(jiàn)的長(zhǎng)寬比或配置中的目標(biāo)。

后面是模型比較，yolov1和其他模型比有什么優(yōu)缺點(diǎn)就不說(shuō)了

你是否還在尋找穩(wěn)定的海外服務(wù)器提供商？創(chuàng)新互聯(lián)www.cdcxhl.cn海外機(jī)房具備T級(jí)流量清洗系統(tǒng)配攻擊溯源，準(zhǔn)確流量調(diào)度確保服務(wù)器高可用性，企業(yè)級(jí)服務(wù)器適合批量采購(gòu)，新人活動(dòng)首月15元起，快前往官網(wǎng)查看詳情吧

分享題目：yolov1論文精讀-YouOnlyLookOnce-創(chuàng)新互聯(lián)
網(wǎng)站路徑：http://weahome.cn/article/dspdej.html