深度学习之目标检测（六）-- YOLOv1理论介绍

木卯 于 2021-08-22 发布

深度学习之目标检测（六）YOLOv1理论介绍

本章学习 YOLO v1 相关理论知识，学习视频源于 Bilibili，部分参考叙述源自 知乎 。

img5

1. YOLO v1

YOLO v1 原始论文为发表于 2016 CVPR 的 You Only Look Once: Unified, Real-Time Object Detection。在 PASCAL VOC2007 的测试集上达到了 63.4 mAP，在 $448 \times 448$ 的输入图像上的二推理能达到 45 FPS。注意 SSD 是达到了 74.3 mAP 和 59 FPS (300 的输入尺寸)，相比于 YOLO v1 而言明显更具有优势。然而想要知道 YOLO 是如何一步一步变强的，就需要从 YOLO v1 开始说起。YOLO v1 网络结构如下所示：

img0

（没有标s意味着默认步距为1）

网络结构借鉴了 GoogLeNet ，24个卷积层，2个全连接层，用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules 。注意到原始论文中没有交代清楚最后那点展平，全连接，再全连接，再reshape。

img00

关于 YOLO v1 的优势，原文中作者提到：

1.1 论文思想

首先，YOLO v1 讲一副图像分成 $S \times S$ 个网格 (grid cell)，如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。例如在左下 角的图中，将图片分成了 $7 \times 7$ 的网格、如何知道中心在哪里呢？我们从 ground-truth 的标注信息中可以算出来。

img1

第二步呢，每个网格要预测 B 个 bounding box，每个 bounding box 除了要预测位置之外，还要附带预测一个 confidence 值。每个网格还要预测 C 个 类别分数。注意，这个 confidence 值在之前讲解的 Faster R-CNN 和 SSD 中是没有的。这是在 YOLO 系列中独有的一个参数。预测的坐标参数中 (x,y) 就是预测目标边界框中心坐标相对 grid cell 而言的位置（即在 0~1 之间），而预测目标的宽和高则是相对于整个图像尺寸而言的（即在 0~1 之间）。confidence 根据原论文的解释可视为预测的 bounding box 与对应真实目标的 bounding box 的 IoU 和网格中是否有目标 (0和1) 的乘积。即如果网格中有目标，Pr(object) = 1，confidence 就等于 IoU；如果网格中没有目标，则 Pr(object) = 0，confidence 也为 0。

img2

例如使用 PASCAL VOC 数据集，每个网格需要预测的参数是两个 bounding box 及其 confidence 值，以及 20 个类别的分数，共计 30 个值。整体需要预测 $7 \times 7 \times 30$ 个值。其实也就是 $7 \times 7$ 且深度 (通道数) 为 30 的一个矩阵。

img3

注意：在 YOLO v1 中是没有 Anchor 这个概念的。所以网络预测的值直接就是坐标信息。在测试的时候，预测的类别分数乘上 confidence 值就可视为最终的目标类别预测概率。

为什么每个 cell 要预测多个 bounding box? 假设每个格点预测两个矩形框。那么在训练时，见到一个真实物体，我们是希望两个框都去逼近这个物体的真实矩形框，还是只用一个去逼近？或许通常来想，让两个人一起去做同一件事，比一个人做一件事成功率要高，所以可能会让两个框都去逼近这个真实物体。但实际上作者没有这样做，在损失函数计算中，只对和真实物体最接近的框计算损失，其余框不进行修正。这样操作之后作者发现，一个格点的两个框在尺寸、长宽比、或者某些类别上逐渐有所分工，总体的召回率有所提升。最后测试的时候通过使用非极大值抑制来生成预测框。

1.2 损失函数

YOLO v1 的损失分为三部分，第一部分是对于目标 bounding box 的损失，第二部分是 confidence 损失，第三部分是分类损失。原论文中主要都是使用误差平方和来进行计算。

img4

为什么宽和高都要进行开根号处理呢？以下图为例，假设绿色为真实目标边界框，蓝色为预测的目标边界框。假设小物体和大物体预测的偏移是一样的，则对于小目标而言预测结果比较差，而对于大目标而言预测结果还算比较好。所以要提升小目标的损失。如果不取根号，损失函数往往更倾向于调整尺寸比较大的预测框。例如，20个像素点的偏差，对于 $800 \times 600$ 的预测框几乎没有影响，此时的 IoU 数值还是很大，但是对于 $80 \times 60$ 的预测框影响就很大。开根号是为了尽可能的消除大尺寸框与小尺寸框之间的差异。

img6

此外，confidence 损失需要计算正负样本，而 bounding box 以及 class 损失都只计算正样本的。正样本的 confidence 真实值应该为预测框与真实物体框的 IoU 数值；负样本的 confidence 真实值应该为 0。(我觉得这里和 RPN 的感觉很像，或者说将背景的学习融入了 confidence 中去)

最后再来看 $\lambda_{coord}$ 与 $\lambda_{noobj}$，目标检测问题是一个典型的类别数目不均衡的问题。其中 49 个格点，含有物体的格点往往只有几个，其余全是不含有物体的格点。此时如果不采取点措施，正样本被负样本所淹没，那么目标检测的 mAP 不会太高，因为模型更倾向于不含有物体的格点。$\lambda_{coord}$ 与 $\lambda_{noobj}$ 的作用就是让含有物体的格点，在损失函数中的权重更大，让模型更加“重视”含有物体的格点所造成的损失。在论文中 $\lambda_{coord}$ 与 $\lambda_{noobj}$ 取值分别为 5 与 0.5。

1.3 YOLO v1 存在的问题

第一个问题是，对于群体性的小目标检测效果很差，例如一群鸟飞过去。因为 YOLO v1 对于每个 cell 只预测两个 bounding box，而且这两个 bounding box 都是属于同一个类别的。因为对于一个 cell 只预测一组类别参数，所以应该是同一个类别的目标。所以当一些小目标集中在一起时，YOLO v1 的检测性能就很差。

第二个问题是，当目标出现的新的尺寸或者配置的时候，YOLO v1 的检测性能也很差。

最后一个问题是，作者发现主要的问题都源自于定位不准确。这也是源于作者直接预测目标的坐标信息，而不是像 Faster R-CNN 和 SSD 一样预测相对 Anchor 的回归参数。所以从 YOLO v2 开始就会基于 Anchors 进行回归预测。

img7