跟着问题学3.6——YOLO v1&v2&v3 详解

目标检测任务描述

（1）输入一张图片，图片上有个目标，那么该如何描述目标在图像上的位置呢？我们知道，图像是长*宽的尺寸的像素点组成的，可以在图像上设置图像坐标系（比如以左上角为坐标原点，向右向下分别为x,y轴正方向），然后就可以使用边界框选中目标，边界框使用在图像坐标系上的坐标来表示，如下图，x,y,w,h，其中（x,y）是边界框左上角的像素坐标，w,h分别是边界框的宽和高。

（2）边界框还有其它表示方法，核心就是描述边界框在整张图像上的位置，如下：

p1,p2,p3,p4(4个点坐标)

cx,cy,w,h(cx,cy为中心点坐标)

x,y,w,h,angle(还有的目标是有角度的，这时叫做Rotated Bounding Box)

1. 那么该如何预测这个边界框呢？传统方法是设定很多很多个边界框，从图像的左上角直到右下角，每个像素点都设置多个边界框（边界框的大小可以变化），如下图所示，这也是R-CNN系列模型所采用的思想，但这种思路的最大问题是耗时和操作复杂，需要手动生成大量的样本。比如输入图片大小是(800,1000)也就意味着有800000个位置。窗口大小最小1*1 ,最大800*1000（极限，具体应用时会优化） ，所以这个遍历的次数是无限次。

（4）边界框的表示方法可以变化，但是其描述都是一个含有4个值的向量，那么在检测目标的时候是不是就可以直接预测这个向量呢？自然是可以的，就是像分类网络预测类别一样根据提取的特征预测边界框的位置（后续会优化成偏移量）。

即分类网络是：img cbrp16 cbrp32 cbrp64 cbrp128 ...fc256-fc[10]

现在变成：img cbrp16 cbrp32 cbrp64 cbrp128 ... fc256-fc[5]，这个输出是(x,y,w,h,c)，不就变成了一个检测器吗？

这里的cbrp指的是conv，bn，relu，pooling的串联。由于输入要是one-hot形式，所以最后我们设计了2个fc层(fully connencted layer)，称之为“分类头”或者“决策层”。

（5）前面只是说了一张图片检测一个目标，若是一个图片上需要检测多个目标，以及目标较小时又该如何做呢？是不是输出N个向量就行了呢？但具体输出多少个合适呢？有的图片有几百个目标，这个N又该如何调整呢？

（6）上面还仅仅是目标位置的检测，还需要识别目标的类别，这个是否可以直接参考分类网络的方法呢？

综上所述，我们的任务就是在一张图片上检测出所有目标（目标数量和种类不定）的位置（边界框），同时识别预测出每个目标的类别。接下来，我们就针对这几个问题介绍学习一下YOLO系列的网络模型。

YOLO v1网络架构

我们先来学习一下YOLO V1网络模型，然后在此基础上看一下后续是如何进行优化的。

前面讲到传统方法是先枚举出大量的边界框，然后在判断边界框是否包含目标，R-CNN系列在这个思想的基础上进行了优化改进，包括设置边界框的数量和格式，以及根据真实框去调整边界框的偏移量。

那么YOLO v1是如何做的呢？YOLO v1模型将输入的图片划分成S*S个区域，如果目标的中心落在该区域，那么该区域就负责检测该物体，一次性输出所检测到的目标信息，包括类别和位置。下面我们详细学习一下细节。

    网络输入：448 x 448 x 3的RGB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