YOLO算法学习第1天（摘要+私货）

本文的写作来源于以下这篇稿子的学习：

YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）-优快云博客

西部延时，我们开始吧！

一、yolo v1版本的出现

（1）首先，我们可以看到yolo的结构

YOLOv1的网路结构非常明晰，是一种传统的one-stage的卷积神经网络。

• 网络输入：448×448×3的彩色图片。
• 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
• 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
• 网络输出：7×7×30的预测结果。

（2）具体实现过程如下：

        ①将一幅图像分成 S×S个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个object。（可以看到这时候的“先验框”还只是随机的）
        ②每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。
        ③每个网格还要预测一个类别信息，记为 C 个类。
        总的来说，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C) 的张量。

               

   实际采用7 * 7 的网格，有2个box，20个类别，也就是7 * 7 * 30的张量。                     

（3）目标损失函数

建议直接AI解决嘿嘿😄

由3个误差组成：

坐标预测损失、置信度预测损失、类别预测损失。

采用的是数学的差方和误差。

二、yolo v2的加强

出现原因：重点解决YOLOv1召回率和定位精度方面的不足

解决方案：

（1）采用了Darknet-19作为特征提取的方法，

总结如下：

        ①与VGG相似，使用了很多3×3卷积核；

        ②并且每一次池化后，下一层的卷积核的通道数 = 池化输出的通道 × 2。
        ③在每一层卷积后，都增加了批量标准化（Batch Normalization）进行预处理。

        如下图所示：

        ④采用了降维的思想，把1×1的卷积置于3×3之间（类似特征融合）Fine-Grained Features，用来压缩特征。

          添加一个Passthrough Layer，把高分辨率的浅层特征连接到低分辨率的深层特征（把特征堆积在不同Channel中）而后进行融合和检测。

        具体操作是：先获取前层的26×26的特征图，将其同最后输出的13×13的特征图进行连接，而后输入检测器进行检测（而在YOLOv1中网络的FC层起到了全局特征融合的作用），以此来提高对小目标的检测能力。

        ⑤在网络最后的输出增加了一个global average pooling层。

        ⑥引入 Anchor Box 机制：采用K-means聚类算法，提前筛选得到的具有代表性先验框Anchors，使得网络在训练时更容易收敛。

           与传统K-means聚类算法不同的是，这里的距离度量公式用：

                        

同时，根据原文做出的数据实验来看，采用K = 5是最优解。

如图，蓝色的是要预测的，黑色虚线是先验框。

        ​​​​​​​        

那么，引入Anchor Box 机制后，通过间接预测得到的 bounding box 的位置的计算公式为：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

置信度ot 的计算公式为：

        ​​​​​​​        ​​​​​​​        ​​​​​​​       ​​​​​​​        

⑦总体上，变化还有如下图所示，即Convolution With Anchor Boxes

三、yolo v3的巅峰神作

（1）网络结构再次升级

YOLOv3 将原来的 darknet-19 改进为 darknet-53：

        ​​​​​​​        ​​​​​​​        

        Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。        

        卷积层、批量归一化层以及Leaky ReLU共同组成Darknet-53中的基本卷积单元DBL。

        因为在Darknet-53中共包含53个这样的DBL，所以称其为Darknet-53。

        具体结构如下图所示：

借由作者的分析，与darknet-19对比可知，darknet-53主要做了如下改进：

①不采用最大池化层，采用步长为2的卷积层进行下采样。
②为了防止过拟合，在每个卷积层之后加入了一个BN层和一个Leaky ReLU。
③引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
④将网络的中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的。

（2）多尺度预测

采用了3种每种3个anchor：

        ​​​​​​​        ​​​​​​​      

（3）损失函数

               

        上面提到过损失函数由3种损失组成，这里，位置损失没有改变计算方式，但是置信度损失和类别预测均由原来的sum-square error改为了交叉熵的损失计算方法。

（4）多标签分类

具体来说，就是将YOLOv2中用于分类的softmax层修改为逻辑分类器。

softmax是将向量转化为类似概率的输出。

逻辑回归则是解决二分类问题。

从而使得网络可以对一个物体进行多分类而不局限于单一类别。