YOLO(You Only Look Once)系列算法原理

前言：详细介绍了yolo系列目标检测算法的原理和发展过程。

系列：
【YOLO系列】YOLO.v1算法原理详解
【YOLO系列】YOLO.v2算法原理详解
【YOLO系列】YOLO.v3算法原理详解
【YOLO系列】YOLO.v4 & YOLO.v5算法原理详解

文章目录

YOLO(You Only Look Once)系列算法原理
- 1. YOLO.v1
- - 1.1 基本概述
  - 1.2 算法流程
  - 1.3 细节实现
  - - 1.3.1 卷积网络结构
    - 1.3.2 预测框bbox
    - 1.3.4 损失函数
  - 1.4 总结

1. YOLO.v1

1.1 基本概述

论文参考：You only look once unified real-time object detection

yolov1 是使用 one-stage 方法进行目标检测。核心思想是把目标检测问题处理成回归问题。

输入图像通过一个卷积神经网络，直接输出最终预测框位置和类别（概率）。

1.2 算法流程

整个YOLO检测系统如下图所示。

在这里插入图片描述

假设网络实现的预测类别数为 C 个

论文中使用 PASCAL VOC数据集，C=20，即实现20类别物品的目标检测；
输入图像首先被 resize 到指定尺寸

论文中将输入图像统一调整到 448 $\times$ 448 ；

即网络输入： $448\times 448 \times 3$ ；
对图像进行划分，共划分 $S\times S$ 个方格（即grid），

论文中 S=7, 即共划分 $7\times 7=49$ 个方格；

每个方格包含 $64\times 64$ 个像素点；
针对每个方格grid，
- 生成 C 个类别目标的概率分数（表示该方格是否存在该目标的概率）,用 p 表示。
- 生成 B 个检测框（即bbox, 用于检测目标），每个检测框共 5 个参数 $(x, y, w, h, c)$ 。
  
  使用 $(x, y)$ 表示检测框中心相对于方格左上角的偏移量；
  
  使用 $(w, h)$ 表示检测框的宽和高；该值是相对于图像宽高的比。
  
  使用 $co n f i d e n ce$ 表示该框预测(目标)的置信度；该值综合了含目标的置信度和方框位置准确度。
每个方格输出向量如下图所示：

因此针对每个方格，共有参数量为 $(C+B\times 5)$ 个。本论文中，即 $(20+2\times 5) = 30$ 个。
针对一张图片，最终输出向量： $S\times S \times (C+B\times 5)$

本论文中即 $7\times 7 \times 30 = 1470$
对输出向量进行后处理，得到最终预测结果

根据输出向量提取出的预测框和类别信息，通过非极大值抑制(Non-Maximum Compression, NMS) ，去除重复框，即可得到最终检测结果。
NMS算法原理及实现可参看： 目标检测之相关指标介绍

1.3 细节实现

1.3.1 卷积网络结构

论文所用卷积神经网络结构，即Backbone基于GoogLeNet，具体如下图所示：

在这里插入图片描述

该网络最后一层的输出 $7\times 7 \times 30$ 即对应上述最终输出向量的分析。

1.3.2 预测框bbox

预测框bbox如下所示

在这里插入图片描述

$(x, y)$ 表示预测框bbox中心相对于当前所在方格的偏移值,范围在 [0,1];

$(w, h)$ 表示预测框bbox宽高，该值实际计算为框的实际宽高与整图宽高的比值，范围为 [0,1]；

$c$ 即 confidence，表示预测框置信度，范围为[0,1]。
计算方法如下
$c = Pr(Object)*IOU_{pred}^{truth}$
其中， $P r (O bj ec t)$ 表示当前格子包含目标的概率，只有0和1两个数值。如果该目标中心落入该格子，则 $P r (o bj ec t) = 1$ ，反正，该值为0。