一文看懂YOLOv1

本文是对YOLO的全面解释，觉得有用请关注我的博客，YOLO的后续版本将会跟进哦！

物体检测object detection是计算机视觉中一个很热门的方向，前前后后也提出了很多很多不同的方法，但是在YOLO之前，大多是将其视为分类问题，而YOLO的出现，打破了这一局限，采用回归的方式来解决问题，并且取得了重大成果。
所谓“天下武功，唯快不破”说的正是速度的重要性，虽然之前的模型R-CNN系列等能达到较高的准确率，但是其速度实在是不可恭维，无法应用在实际场景中。而YOLO的一大优点就是检测速度非常快，在一块 Titan X GPU上能达到45FPS，也就是说已经real-time了。下面我们来看一下YOLO的version 1

---

一、概述

下图是YOLO的整体描述，就三个步骤：

1. 将image大小缩放到448*448
2. 以image为输入，经CNN处理，得到预测分类和位置的中间值
3. 采用非极大值的方式，筛选结果
   

二、unified detection

作者提出的YOLO将预测分类和bounding box结合在一起，是一个end-to-end的模型，和之前提出的分阶段模型有极大区别，因此称之为统一检测（unified detection）

1. 首先，作者提出的模型将输入图像划分成S x S 个网格（7个），如果存在某个物体a，其中心落入网格 i 中，那么预测物体 a 的任务就交给网格 i 去完成。

2. 其次，每个网格预测 B 个bounding box和置信分数confidence score，confidence score意味着是否存在物体的概率以及对预测的bounding box准确性的判断，常用下式表达。从式子中不难看出，如果没有物体存在的话，那么confidence score应该是0，否则我们应该等于预测的bounding box与真实的bounding box之间的IOU（因为P=1）
   

3. 每个bounding box包含以下五个值：x, y, w, h, confidence.
   （x,y）表示predicted bounding box的center坐标
   w, h 分别表示预测的宽度和高度（这个宽度和高度是相对于整张图片的，这也和实际相符，因为一个物体可能占据整张图片）
   confidence代表了预测的bounding box和任何ground truth box的IOU

4. 每个网格同时也预测C个条件概率，表示存在物体的条件下，这个物体是类别C_i 的概率，用下式表示。并且每个网格只预测一次，无论有多少个bounding box。
   
   在测试的时候，我们将4中的概率和2中的概率相乘，就得到了某物体属于某类别C_i的概率和IOU的乘积。这一数字衡量了某物体属于某类别以及预测的bounding box的准确度
   

由以上分析可知，我们所预测的向量的size是：

并且，对于PASCAL VOC数据集来说，我们取 S = 7，B=2，C = 20
因此，我们最后预测的tensor大小为7 x 7 x 30

三、CNN architecture

上面详尽的阐述了YOLO的基本思路，接下来就应该要设计CNN的网络结构了。
大致的思路是：卷积层提取图像特征，全连接层输出概率和坐标等信息。
作者给出的网络架构受到了GoogLenet的启发，一共有24层卷积层和2层全连接层，使用1 x 1和 3 x 3 的卷积核。下图是网络结构

1. Training
   选取了网络结构，接下来就是训练的过程。
   现在的训练过程都不会从随机赋值开始了，几乎都是采用迁移学习的方式，所以先要有预训练pretraining
   pretraining过程：
   使用上述网络结构中的一部分——前20层卷积层+1层平均池化+1层全连接层
   输入数据：ImageNet 2012
   效果：top-5准确率在88%，可以和GoogLenet相媲美
   training过程
   加入4层卷积层和2层全连接层，新加入的层的所有参数都随机初始化，其余的参数用上述已经pretraining的数。检测和分类有很大区别，检测可能会牵涉到细粒度的问题，因此将输入从224 x 224 转换成448 x 448。
   最后一层输出概率的同时也输出了coordinate，我们将bounding box的w, h都除以图像的weight和height，这样可以让w, h 范围缩放到0-1。同时，x,y也转换成相对于特定网格的偏移offset，这样x,y也在0-1范围。
   关于激活函数：最后一层使用线性函数，其余都使用leaky rectified activation：
   
   关于损失函数：使用均方误差（因为易于优化）。考虑到classification和localization应该占据不同的比例，所以设置了比例系数lambda。权衡利弊后，设置如下权重：
   
   损失函数如下：
   
   观察上述Loss Function，请注意：
   i)使用了指示函数，因为只需要惩罚存在object的条件下误分类以及预测bounding box不准的情况。因为如果不存在object，直接为0.
   ii)上面对于w,h的损失使用了根号进行处理，原因是如果不使用根号，那么对于100和10大小的bounding box，如果预测的是110,20,那么结果是一样的，但是从实际角度出发，很显然是不同的，而且差距非常大，使用根号进行处理就能很好的避免这种情况。

接下来是训练的相关说明：
在PASCAL VOC 2007 和2012数据集上训练135 epoch。训练过程中的一些参数选取：
batch_size = 64
momentum = 0.9
decay = 0.0005
learning_rate：第一个epoch，从10⁻³ 缓慢增长到10⁻²，后面75个epoch采用10⁻²，再后面30个epoch采用10⁻³，最后30个epoch采用10⁻⁴
dropout = 0.5
另外，使用随机变换的方式进行data augmentation

训练过程中还牵涉到前向传播：
在前向传播过程中，除了和平常的CNN一样进行卷积、激活、池化、全连接之外，还有一个非常重要的点就是非极大值抑制。
由于一些比较大的物体可能会造成多个网格来预测的情况，因此需要采取非极大值抑制的方式来防止重合，也能获得更加精确的解。实验证明，采取非极大值抑制后，mAP能提高2到3个百分点

四、缺点

YOLO-v1不是完美无缺的，它也有一些缺点，或者说是局限性（比起之前的model来说）：

1. 由于每个网格只预测2个bounding box，因此如果一个网格中出现多于两个物体的情况，肯定是无能为力的，比如一群鸟。
2. 由于网络模型对input image进行了多次降采样，因此对于细粒度的物体不能很好的分辨
3. 定位很不精确

五、实验结果

最后，YOLO在当时真的是非常不错的模型，之后又出现了YOLO-v2/3等模型，是对YOLO的改进，更加有效。