当前位置：首页 > article >正文

YOLO v1目标检测

article 2024/11/19 12:53:04

1. 计算机视觉解决的问题

① 图像分类 ② 目标检测 ③ 语义分割 ④ 实例分割

2. 目标检测两个流派

① two-stage 两阶段模型：首先提取一些候选区域（Region Proposals），可能包含目标的位置。然后对每个候选区域使用 CNN 进一步进行分类（判断类别）和精确定位（边界框回归）。

② one-stage 单阶段模型：跳过了提取候选区域阶段，直接使用单个神经网络同时进行目标分类和位置回归，大幅提高了检测速度。是一种 End-ToEnd 端到端方法。

one-stage 检测速度快，能满足实时性要求。但检测精度通常低于 two-stage 方法。同时对小目标和复杂背景的处理能力相对较弱。

3. YOLO v1 网络结构

YOLO v1 网络由 ① Conv. Layer 卷积层（24层） ②maxpool Layer 最大池化层 ③ Conn. Layer 全连接层（2层）组成。

其输入为 $448*448*3$ 的图像，输出为 $7*7*30$ 的张量（Tensor）。

4. YOLO v1 测试阶段流程

首先将输入图像分为 S*S 个 grid cell （v1中S为7）。
每个 grid cell 都会预测 B 个 bounding box （v1中B为2），这 B 个 bounding box 的中心点落在该 grid cell 里。每个 bounding box 都包含5个参数 $(x,y,h,w,c)$ ，其中包括4个定位信息和1个置信度分数（confidence score）。（bounding box 即为目标所在的矩形区域）。
置信度分数（confidence score）定义为： ${P(obj~in~bbox)}*IOU_{pred}^{truth}$ 。如果该 grid cell 中不存在目标（ P(object in bbox)=0 ），则置信度分数为 0 。否则（P(object in bbox)=1），我们希望置信度分数等于预测框（predict box）与真实标签框（ground truth）之间的交集（IOU）。
每个 grid cell 还会预测 C 个类别的条件概率（v1中C为20）。
C 个类别的条件概率为： $P(obj~is~\text{class i}~|~obj~in~box)$ 。
将置信度分数和条件概率相乘，获得最终的预测结果，即每个 bounding box 的具体类别的 confidence score。
$P(obj~is~\text{class i}~|~obj~in~bbox)*{P(obj~in~bbox)}*IOU_{pred}^{truth} *=P(obj~is~\text{class i)}*IOU_{pred}^{truth}$
注意：不管 B 的数量是多少，每个 grid cell 只负责预测一个目标。这也是导致 YOLO 对小目标和密集目标检测效果比较差的原因。如果输入图片极其密集，导致 grid cell 里有多个物体，但是YOLO 模型只能预测出来一个，就会忽略在本 grid cell 内的其他物体。

综上，S*S 个 grid cell ，每个 grid cell 预测 B 个bounding box ，还要预测 C 个类别。将两图合并，网络输出就是一个 S*S *(5*B+C)，v1 即为 $7*7*30$ 。

对于每个 bounding box 包含的 $(x,y,h,w,c)$ ：

x，y： 是指 bounding box 的中心坐标相较于该 bounding box 归属的 grid cell 左上角的偏移量，归一化在0-1之间。

w，h： 是指该 bounding box 的宽和高，也归一化到了0-1之间，表示相较于原始图像的宽和高（即448个像素）。比如下图中的 bounding box 的宽是 44.8 个像素，高也是 44.8*2 个像素，则 w=0.1，h=0.2。

YOLO 中 bounding box 是人为选定的（2个不同长宽比）的 box，在训练开始时作为超参数输入 bounding box 的信息，随着训练次数增加，loss降低，bounding box 越来越准确。

$7*7*30$ 的张量所包含的内容：

5. YOLO v1 测试阶段后处理

将置信度分数和条件概率相乘得到 Score：

共得到 49*2 = 98 组数据：

设置阈值，过滤 Score 低的组别后，按照 Score 高低排序，然后进行 NMS：

非极大值抑制（NMS）：

IOU计算公式：

$IOU=\frac{A\cap B}{A\cup B}$

最终保留的非0值的 Score 个数就是该输入图片中该类别物体的数量。输出 Object Detect 结果：

6. YOLO v1 训练阶段流程

预训练分类网络：

首先使用前 20 个卷积层、1 个最大池化层、1 个全连接层，在 image-Net 数据集上训练一个分类网络，这个网络的输入为 224*224，该模型在 image-Net2012 的数据集上的 top 5 精度为 88%。

YOLO v1 训练阶段流程：

YOLO v1 损失函数：

对不同大小的 bbox 预测中，相比于大的 bbox，小的 bbox预测偏相同的尺寸对 IOU 的影响更大。为了缓和这个问题，作者用了一个巧妙的办法，就是将 bbox的 width 和 height 取平方根代替原本的 height 和 width 。如下图：small bbox 的横轴值较小，发生偏移时，反应到 y 轴上的 loss（下图绿色）比 big bbox(下图红色)要大。