【目标检测算法】YOLO-V1~V3原理梳理

one-stage 与 tow-stage

本篇博客主要介绍经典检测方法中的one-stage（单阶段），在这里给自己埋个坑，整理完Yolo再去搞tow-stage。

评价指标

准确率、精确率、召回率、F1值、ROC/AUC整理笔记

回顾准确率、精确率、召回率
1.准确率（Accuracy） ，顾名思义，就是所有的预测正确（正类负类）的占总的比重。

2.精确率（Precision），查准率。即正确预测为正的占全部预测为正的比例。个人理解：真正正确的占所有预测为正的比例。

3.召回率（Recall），查全率。即正确预测为正的占全部实际为正的比例。个人理解：真正正确的占所有实际为正的比例。

我觉得这里利用医生看病更好理解。医院来了一个人，医生判断其是否患病（患病为正类），若其患病被检查有病，即为TP（True Positives），患病被查无病，即为FN（False Negatives），未患病被检查有病，即为FP（False Positives）,未患病被查无病，即为TN（True Negatives）。

可以看到在这例子中，首先定义了正类（患病），第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，在F中则实际为负类分成了正的。若为N，在T中则为负类，在F中则为正类。（类似负负得正）

精确率 (Precision)：你诊断的病人中，有多少是真的病人（准确度是多高）。
召回率 (Recall)：该类病人有多少被找出来了（召回了多少）。

4.IOU交并比

下图为例，综合衡量检测效果；单看精度和recall是不行的。
虽然准确率很高，但是查全率（召回率）很低，即露漏检的有很多。

Precision: TP / (TP + FP) 模型预测的所有目标中，预测正确的比例 （查准率）
Recall: TP / (TP + FN) 所有真实目标中，模型预测正确的目标比例 （查全率）
TP: True Positive, IoU>0.5的检测框数量（同一Ground Truth只计算一次）
FP: False Positive, IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量
FN: False Negative, 没有检测到的GT的数量

5.mAP指标：（mean Average Precision）

目标检测测评指标——mAP

YOLO算法整体思路解读

YOLO-V1

YOLO相较与Faster R-CNN相比有更高的FPS值，意味着可以更快的处理图片，可以应用于视频中的实时检测。

将图片划分为S×S的格子，每个格子生成两个候选框（x，y，w，h），基于与原图片中标注的实际框做IOU，进而做筛选和微调（即回归）。当然，不是每个框都做微调，在此之前，网络会基于置信度来选择实际有物体的格子。

输入4484483的图片，经过一系列卷积池化提取特征后，输出771024的特征向量，经过2全连接层和reshape成7730的图片。7*7是图片中的格子数，30是每一个格子中占有的数据。

在7730的图片中，在每个格子上生成2个预选框B1(x1,y1,w1,h1,c1)和B2(x2,y2,w2,h2,c2)，一共5*2个数据，同时会对目标进行预测分类。一共有20个分类目标。

位置损失中，对宽和高加根号限制，即希望网络对小物体更敏感，对大物体减小敏感性。

在不含object的置信度误差中，加入了权重（例如：0.1）来告诉网络，背景的误差相较于物体的误差微不足道。

针对一个物体上有多个框，我们选择IOU最大的框，把其他框过滤除去。

YOLOV1中存在的问题：

• 无法处理重叠的物体的识别。
• 小物体检测不到。
• 多标签问题无法解决。
  

YOLO-V2

批归一化(Batch Normalization)详解

批归一化简称BN，是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散（特征分布较散）”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。

全连接层缺点：训练参数大而且容易过拟合。
5次降采样，最终输出图片的尺寸是原图片宽和高除以32。并且希望最终的输出图片是一个奇数的尺寸，这也方便确定中心点，不会出现一个物体四个中心点的场面。

先验框Anchor Box，由聚类得到的符合物体实际大小的框。即每个点预先生成的框。

坐标的映射与还原。V2改进在于，bx与by的确定经过sigmoid函数映射在0-1之间，再加上基准值（cx，cy），即为坐标点。而宽和高则由先验框Anchor Box经过公式得到。

2个卷积是5*5。

并且每一个卷积核后面加一个BN，可以有效防止过拟合。

较大的感受野可能只关注了大物体而忽略了小物体。如果在卷积到最后一步之前进行拆分（感受野较小）再与最终结果融合，则经过特征融合的改进后，网络可以做到大小通吃。

YOLO-V3

主要阐述一件事情，大感受野的先验框需要融合到小感受野的先验框中。

对每一个分类结果做二分类，判断是或不是。并在最终设置阈值，最终实现多标签分类。