目标检测算法YOLO-V1算法详解

行业解决方案、产品招募中！想赚钱就来传！>>>

❝

前面我们一起学了SSD算法的相关知识，如下：
SSD目标检测算法必须知道的几个关键点
目标检测算法SSD结构详解

❞

今天我们学习另一系列目标检测算法YOLO(You Only Look Once)，公众号【智能算法】回复“论文YOLOV1”即可下载该论文。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。一起看看是如何实现的？本期主要包含以下内容：

• YOLO-V1结构剖析
• 为什么是7x7x30的输出？
• 候选框怎么生成？
• 不一样的置信度
• YOLOV1预测流程

YOLO-V1结构剖析

YOLO-V1的核心思想：就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置及其所属的类别。YOLO和RCNN最大的区别就是去掉了RPN网络，去掉候选区这个步骤以后，YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接。单看网络结构的话，和普通的CNN对象分类网络几乎没有本质的区别，最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量，我们来看下YOLO-V1论文中给出的的结构，如下图：
该网络架构借鉴了GoogLeNet的思想，改造了其中的InceptionV1网络，只是这里并没有使用原始的inception模块，而是用一个1x1的卷积接联一个3x3的卷积来代替，具体的inception模块和GoogLeNet可参考之前的文章：
CNN经典网络之GoogLeNet

从上图中可以看到，YOLO-V1网络的主要步骤如下：

1. 输入图片是 448x448x3，经过一个 7x7x64， stride为 2的卷积层和一个 2x2， stride为 2的最大化池化层后得到 112x112x192尺寸的特征图。
2. 经过一个 3x3x192的卷积层和一个 2x2， stride为 2的最大化池化层后得到 56x56x256尺寸的特征图。这里留一个讨论题，这两步的尺寸变化有没有问题？欢迎大家评论区讨论。
3. 经过一个 1x1x128, 3x3x256, 1x1x256, 3x3x512的卷积层和 2x2, stride为 2的最大化池化层后得到 28x28x512的特征图。
4. 经过四组 1x1x256, 3x3x512的卷积层后再经过 1x1x512, 3x3x1024的卷积层和一个 2x2-s-2的池化层后得到 14x14x1024的特征图。
5. 经过两组 1x1x512， 3x3x1024的卷积层后再经过一个 3x3x1024和 stride为 2的 3x3x1024的卷积层后得到 7x7x1024的特征图。
6. 经过两个 3x3x1024的卷积层后得到 7x7x1024的特征图。
7. 经过节点为 4096的全连接层后最终得到 7x7x30(其实是一个一维向量的三维化)的检测结果。

整个算法的大致流程就是这样，接下来我们看下为什么最终会得到7x7x30的结果？

为什么是7x7x30的输出？

YOLO-V1将一副448x448的原图分割成了7x7=49个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内是否包含物体的置信度confidence(每个bounding box有一个confidence)，以及该网格包含的物体属于20类别中每一类的概率(YOLO的训练数据为voc2012，它是一个20分类的数据集)。所以一个网格对应一个(4x2+2+20)=30维度的向量。如下图：

知道了网络的结构，上面提到的候选框怎么生成呢？

候选框怎么生成？

上面提到7x7的每个网格都要预测两个bounding box的坐标和置信度，如下图，以红色网格为例，生成两个大小形状不同的蓝色box，box的位置坐标为(x,y,w,h)，其中x和y表示box中心点与该格子边界的相对值，也就是说x和y的大小被限制在[0,1]之间，假如候选框的中心刚好与网格的中心重合，那么x=0.5,y=0.5。
w和h表示预测box的宽度和高度相对于整幅图片的宽度和高度的比例，比如图中的框住狗的蓝色网格的宽度w大致为1/3，高度h大致为1/2。这样(x,y,w,h)就都被限制在[0,1]之间，与训练数据集上标定的物体的真实坐标(Gx,Gy,Gw,Gh)进行对比训练，每个网格负责预测中心点落在该格子的物体的概率。

每个box预测的置信度只是为了表达box内有无物体的概率（类似于Faster R-CNN中RPN层的softmax预测anchor是前景还是背景的概率），并不预测box内物体属于哪一类。那么这个置信度有什么用呢？

不一样的置信度

这里面的置信度跟前面学的置信度有一些些不同。以前我们理解的置信度只是一个简单的得分，一个对该物体预测的概率值。YOLO中的置信度公式如下：

其中前一项表示有无人工标记的物体落入网格内，如果有，则为1，否则为0.第二项表示bounding box和真实标记的box之间的IOU，值越大则表示box越接近真实位置。confidence是针对bounding box的，每个网格有两个bounding box，所以每个网格会有两个confidence与之对应。

预测流程

知道了网络框架，候选框的生成，以及置信度的定义，我们看下YOLO-V1预测工作流程是怎么样的？

1. 对输入图片进行网格划分，每个格子生成两个 bounding boxes.
2. 每个网格预测的 class信息和 bounding boxes预测的 confidence信息相乘，得到每个 bounding box预测具体物体的概率和位置重叠的概率 PrIOU

其中 为每个网格预测的class信息，为confidence。3. 最后对于每个类别，对PrIOU进行排序，去除小于阈值的PrIOU,然后做非极大值抑制。

至此，我们学习了目标检测算法YOLO-V1算法的结构框架和工作流程，明白了YOLO-V1模型的基本知识，下期我们深入一步学下该模型的损失函数以及优缺点。

♥分享在看也是一种支持♥

本文分享自微信公众号 - 智能算法（AI_Algorithm）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。