2.YOLOv1

YOLOv1

经典的one-stage算法
You Only Look Once,名字就说明了一切，把检测问题转化为回归问题，一个CNN就搞定了，可以对视频进行实时检测，应用领域非常广泛

YOLOv1特点

• 运行速度快，定义物体检测为一个回归任务，不需要额外的计算
• YOLO利用图面的全局信息进行预测，在进行训练和预测时，可以看到类别编码信息的上下文
• YOLO学习的是物体检测的泛化性特征，当有预想不到的输入或者应用到新的领域时很少会系统奔溃
• 预测最终被编码为[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nGnJc9Lx-1677980464293)(null#card=math&code=S\times S \times (B * 5 + C)]
  &id=KZn8S),其中S为网格尺寸的大小，B为候选框的个数，C为检测物体分类的个数。在YOLOV1论文中，在PASCAL VOC数据集上预测YOLO框架，使用S=7， B=2， 由于PASCAL VOC有20个类别，C=20，最终得到预测张量![](null#card=math&code=7\times 7 \times 30
  &id=BXA27)

YOLOv1问题

• YOLO在精度上落后于顶尖的物体检测算法
• 由于感受野比较大，YOLOv1在小物体检测上较差

核心思想：预测图像中有哪些问题，下图中有一条狗和一辆自行车。要预测一条狗和一辆自行车，交给谁来预测呢？现在有一张输入图片分成网格，观察网格，在这个网格中狗落在了图像当中的一个位置，每个格子都负责预测在你这个格子上是什么物体，狗落在图像的区域中，现在只关心狗的中心点落在哪里（图中红色中心点负责预测狗）。s*s的格子，每个格子负责预测所代表的物体是什么。在当前格子中有两个黄色的框，黄色的框不是最终的结果，现在红色的格子要去预测，但是它也不知道狗长什么样子，那么就需要一些经验的东西（比如一些物体可能是比较长的，一个长方形的，一些是正方形的）。一开始现在这个位置中来两种经验值h1,w1;h2,w2，h1是长方形的，h2是正方形的，对于这个狗来说，长方形的框比较好，那么现在长方形的框比较靠谱些，但是和我实际预测的值还是不一样，把候选框（提供的经验值）做一些修正，把框做一个微调，而微调是一个回归任务，预测h和w怎么变，看h和w什么时候最合适，并且要起始位置x和y的值（bounding boxes），最终的框由经验框做怎样的偏移。V1版本产生两种候选框（指定b值），每个格子两种候选框，和真实值到底匹配如何。真实值和两个候选框算IOU的值，和我真实值的IOU，谁的IOU大，最后微调谁。在微调过程中，会计算出很多候选框，因为每个位置都会进行预测，每个预测都会得到一个结果值即置信度（confidence），这个置信度标识当前这个点所预测的结果是物体还是不是物体。对图像的格子当中每个位置做计算，计算出来各种指标，4个偏移量和一个置信度的值，对于置信度小的过滤掉。最终置信度小的过滤掉，把重复的框处理下，最后得到下图中输出的结果。
候选框做微调，不是所有的候选框做微调，对置信的高的做微调。实际做结果的为IOU比较大的，把x，y，w，h映射到原始图像中就可以算出来了。

网络架构

输入大小4484483，是一个固定值，把图像resize到一个固定值，只训练4484483，v1输入图像大小被限制，后续版本可以最改变。一个卷积神经网络大小不能去边，图像大小对于卷积层没太大影响，全连接层必须固定好前面特征图的大小，输入图像大小不能变化，必须是一个4484483的。对输入数据进行特征提取，得到一个771024特征图。

第一个全连接层4096，第二个全连接层14701，reshape成7730。77表示一个77的格子，77的格子每个格子里面有30个值。每个格子产生来两种框，每中框里面包含x,y,w,h(归一化完后的值)，c，相对于图片的值。剩下的20个是20分类，数据中一共20个类别，即类别的种类总数。
每个数字的含义：
10 =(X,Y,H,W,C)B（2个）
当前数据集中有20个类别
77表示最终网格大小
（SS）（B*5+C）

损失函数计算

w，h做根号变换，损失计算时需要注重物体比较小的，数值较小比较敏感，数值较大时相对来说没有那么敏感

NMS(非极大值抑制)

检测很多个框，出现重叠情况，比如同样一个人可以检测出很多人脸，在IOU满足一定值的时候，先按置信度进行排序，非极大值抑制汲取一个置信度极大值。

YOLOv1问题

1. 当前的点即每个Cell只去预测一个类别，重合在一起的东西很难去检测
2. 狗有多个标签，不能很好去检测
3. 小物体检测效果不好，长度比可选但单一，候选区只有两个