目标检测 | 让YOLO算法告诉你回归网络的能力

0.简介

这段时间YOLO系列算法很火，尤其是YOLOv3，很多大牛都复现了其在各种平台下的实现（tensorflow，pytorch，caffe…）。主要还是因为YOLOv3算法结合了很多有用的trick，兼顾了速度和精度。但究其本质仍然是回归算法，所以我们在这里先详细介绍下YOLOv1的实现细节，好了解回归算法的特性。网上有很多教程，但质量参差不齐，而且本人阅读起来很多细节比较难理解。因此还是打算总结一下，加深印象。后续还会写v2和v3的实现细节。我们主要分为三部分来介绍，算法整体结构+算法前向计算+算法训练过程。总体来说，YOLOv1算法的特点为算法结构简单，但具体实现细节比较多。

1.YOLO算法结构图

YOLO是利用一个简单的回归网络实现目标检测分类算法。直接放一张图来说明YOLO算法结构之简单。下图不是YOLO论文中的原始结构，而是用一个24层的网络替代了论文中原作者用的GoogleNet作为YOLO检测算法的特征提取器（我们可以用任意的分类网络替代，比如MobileNet，SqueezeNet，ShuffleNet等）。

那么有人会问这么简单的网络是怎么实现目标检测和分类的呢？其所有的秘密就在如下所示的相对复杂的损失函数中(所以损失函数才是深度学习任务的核心嘛，我一直这么认为)。详细细节我们下面展开讨论。（下述代码为网络最后一层的输出层，和损失函数层）

layer {
  name: "reg_reshape"
  type: "Reshape"
  bottom: "conv_reg"
  top: "regression"
  reshape_param {
    axis: 1
    shape {
      dim: 1470
    }
  }
}

layer {
  name: "det_loss"
  type: "DetectionLoss"
  bottom: "result"
  bottom: "label"
  top: "det_loss"
  loss_weight: 1
  detection_loss_param {
    side: 7
    num_class: 20
    num_object: 2
    object_scale: 1.0
    noobject_scale: 0.5
    class_scale: 1.0
    coord_scale: 5.0
    sqrt: true
    constriant: true
  }
}