当前位置：首页 > article >正文

目标检测文献阅读-YOLO：统一的实时目标检测(12.23-12.29)

article 2025/1/2 3:33:40

摘要

Abstract

1 引言

2 统一的检测

3 网络设计

4 训练

5 YOLOv5训练猫狗识别模型

5.1 项目代码整体结构介绍

5.2 数据集和预训练权重的准备

5.3 训练猫狗识别模型

5.3.1 修改数据配置文件

5.3.2 修改模型配置文件

5.3.3 训练模型

5.3.4 启用tensorbord查看参数

5.4 推理测试

总结

摘要

本周阅读的论文题目是《You Only Look Once: Unified, Real-Time Object Detection》(你只看一次：统一的实时目标检测)。本文中提出了一种单阶段的目标检测算法YOLO，YOLO舍弃候选框提取，直接采用回归的方法进行物体分类和候选框预测。并且与之前两阶段的基于分类器的方法不同，YOLO是直接在对应检测性能的损失函数上训练，整个模型是联合训练的。本文中YOLO将图片平均分成 $eq?S%5Ctimes%20S$ 个网格，每个网格分别负责预测中心点落在该网格内的目标。这样“分而治之”的策略避免了大量的重复计算，大大提升了目标检测的速度，每秒可以处理45帧图片，能够轻松地实时运行。YOLO还很好地泛化到新领域，使其成为要求快速、强大目标检测应用的理想选择。由此，YOLO迅速成为了实时目标检测领域的主流方法，并在多个应用场景中得到了成功实践。最后简单尝试在YOLOv5上使用一个小型的数据集训练了一个猫狗识别模型。

Abstract

This week's paper is titled "You Only Look Once: Unified, Real-Time Object Detection." In this paper, a single-stage object detection algorithm YOLO is proposed, which discards candidate box extraction and directly uses the regression method for object classification and candidate box prediction. And unlike the previous two-stage classifier-based approach, YOLO is directly trained on the loss function corresponding to the detection performance, and the whole model is jointly trained. In this paper, YOLO divides the image into $eq?S%5Ctimes%20S$ grids, and each grid is responsible for predicting the target in which the center point falls within the grid. This "divide and conquer" strategy avoids a lot of double counting, greatly improves the speed of object detection, and can process 45 frames per second, which can be easily run in real time. YOLO also generalizes well into new areas, making it ideal for applications that require fast, robust object detection. As a result, YOLO has quickly become the mainstream method in the field of real-time object detection and has been successfully practiced in multiple application scenarios.Finally, a simple attempt was made to train a cat and dog recognition model on a small dataset on YOLOv5.

文献链接🔗：You Only Look Once: Unified, Real-Time Object Detection

1 引言

目前的目标检测系统重复利用分类器来执行检测。为了检测目标，这些系统为该目标提供一个分类器，并在不同的位置对其进行评估，并在测试图像中进行缩放。如R-CNN使用region proposal方法首先在图像中生成潜在的边界框，然后在这些提出的框上运行分类器。在分类之后，通过后处理对边界框进行修正，消除重复的检测，并根据场景中的其它目标重新定位边界框。这就使得目标检测流程太过于复杂，每个组件需要单独训练导致检测速度慢，难以优化。

而本文中将目标检测重构并看作为单一的回归问题，直接从图像像素到边界框坐标和类别概率，即you only look once(YOLO)，就能预测出现的目标和位置。YOLO主要分为以下三步：

将待测图像进行归一化处理：调整大小为448×448
将处理后的图像输入CNN中进行特征提取以及边界框置信度的预测：进行卷积处理
采用NMS算法过滤边界框获得最优结果：根据模型的置信度对所得到的检测进行阈值处理

2 统一的检测

首先将输入图像分为 $eq?S%5Ctimes%20S$ 的网格。如果一个目标的中心落入一个网格单元中，该网格单元就负责检测该目标。

每个网格单元预测 $eq?B$ 个边界框和这些框的置信度分数。这些置信度分数反映了模型对该框包含对象的置信度，以及模型认为该框的预测准确度。置信度定义为 $eq?Pr%28Object%29%5Cast%20IOU_%7Bpred%7D%5E%7Btruth%7D$ 。如果该单元格中不存在目标，则置信度分数应为0。否则，置信度分数等于预测框与真实值之间的IOU。

每个边界框包含5个预测： $eq?x%2Cy%2Cw%2Ch$ 和置信度。 $eq?%28x%2Cy%29$ 表示边界框相对于网格单元边界框的中心；宽度 $eq?w$ 和高度 $eq?h$ 是相对于整张图像预测的；置信度预测表示预测框与实际边界框之间的IOU。

每个网格单元还预测 $eq?C$ 个条件类别概率 $eq?Pr%28Class_i%7CObject%29$ 。这些概率以包含目标的网格单元为条件。本文中每个网格单元只预测的一组类别概率，而不管边界框的数量 $eq?B$ 是多少。

由此，乘上条件类别概率和单个框的置信度预测值就是每个框特定类别的置信度分数：

$eq?Pr%28Class_i%7CObject%29%5Cast%20Pr%28Object%29%5Cast%20IOU_%7Bpred%7D%5E%7Btruth%7D%3DPr%28Class_i%29%5Cast%20IOU_%7Bpred%7D%5E%7Btruth%7D$

这些分数编码了该类出现在框中的概率以及预测框拟合目标的程度。

如下图所示，将图像分成 $eq?S%5Ctimes%20S$ 的网格，并且对于每个网格单元都预测 $eq?B$ 个边界框和这些边界框的置信度以及 $eq?C$ 个类别概率。这些预测结果被编码为 $eq?S%5Ctimes%20S%5Ctimes%20%28B%5Cast%205+C%29$ 的张量。

在本文中使用 $eq?S%3D7$ 、 $eq?B%3D2$ 、 $eq?C%3D20$ ，所以最终的预测是 $eq?7%20%5Ctimes%207%5Ctimes30$ 的张量。

3 网络设计

本文中YOLOv1的网络架构借鉴了GoogLeNet：

网络输入：输入为448×448×3的图片；
中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征；一些卷积层交替使用 1×1减少层来减少特征图的深度；对于最后一个卷积层，输出7×7×1024的张量；
全连接层：由2个全连接层组成，作为线性回归用来预测目标的位置和类别概率值；
网络输出：输出7×7×30的预测结果，即每个网格两个边界框预测。

4 训练

预训练分类网络：使用网络的前20个卷积层再加平均池化层和全连接层，在其他大型数据集上进行预训练。网络输入为224×224，是由于有平均池化层，这样不论输入尺寸是多少，在和最后的全连接层连接时都可以保证相同的神经元数目。

训练检测网络：在预训练网络的基础上添加4个卷积层和2个全连接层，并且对权重进行随机初始化。

由于最后一层预测类别概率和边界框坐标，要通过图像宽度和高度来归一化边界框的宽度和高度，使它们落在0和1之间。同样，将边界框x和y坐标参数化为特定网格单元位置的偏移量，所以它们边界也在0和1之间。本文中最后一层使用线性激活函数，而其他层使用leaky ReLU激活函数：

YOLO中每个网格单元预测多个边界框，这可以使每个边界框预测器可以更好地预测特定大小、长宽比或目标的类别，从而改善整体召回率。

由此，得到由坐标预测损失、置信度预测损失和类别预测损失三部分组成的目标损失函数：

由于定位误差比分类误差更大，为了优化模型输出的平方和误差，所以本文中增加了边界框坐标预测的损失 $eq?%5Clambda%20_%7Bcoord%7D%3D5$ ，并减少了不包含目标边界框的置信度预测的损失 $eq?%5Clambda%20_%7Bnoobj%7D%3D0.5$ 。

分别来看，坐标预测损失：

$eq?%5Cmathbb%7BI%7D%5E%7Bobj%7D_%7Bij%7D$ ：第 $eq?i$ 个网格单元中的第 $eq?j$ 个边界框预测器负责这个 $eq?obj$ 时为1，否则为0；
第一行：负责检测目标的框中心点(x,y)定位误差；
第二行：复杂检测目标的框的高宽(w,h)定位误差，为了增强小框的重要性，削弱大框的误差，本文中使用预测边界框宽度和高度的平方根。

置信度预测损失分为两部分：

负责检测目标的预测框的置信度误差：

不负责检测目标的预测框的置信度误差：

$eq?%5Cmathbb%7BI%7D%5E%7Bnoobj%7D_%7Bij%7D$ ：第 $eq?i$ 个网格单元中的第 $eq?j$ 个边界框预测器不负责这个 $eq?obj$ 时为1，否则为0；与 $eq?%5Cmathbb%7BI%7D%5E%7Bobj%7D_%7Bij%7D$ 相反。

类别预测损失：

$eq?%5Cmathbb%7BI%7D%5E%7Bobj%7D_%7Bi%7D$ ：这个 $eq?obj$ 中心出现在第 $eq?i$ 个网格单元中时为1，否则为0； $eq?%5Cmathbb%7BI%7D%5E%7Bobj%7D_%7Bij%7D$ 为1， $eq?%5Cmathbb%7BI%7D%5E%7Bobj%7D_%7Bi%7D$ 必为1。