YOLO-V1笔记

Posted on In

学习YOLO-v1整理的一些笔记

Yolo-v1简单介绍

发表于2015年，作者J Redmon 个人网站

原始论文

YOLO 全称为 you only look once，意思是像人去识别图像一样，我们只看一遍就可以知道图像中包含的信息。在COCO dataset的 mAP 的表现很好，达到了57.9%。

目标检测目前可以分为两大类

  1. 基于区域提名（region proposal），R-CNN, FAST R-CNN, FASTER R-CNN, R-FCN
  2. 基于端到端（end to end）, YOLO, SSD, Retinanet

YOLO-v1主要思想

只有图片作为网络的输入，经过网络，输出得到bounding box的偏移和所属类，然后进行loss计算，回归整个网络。

YOLO主要三步骤

  1. 将输入图像调整为448x448的长宽
  2. 在图像上进行卷积网络计算
  3. 通过回归，得到最终训练的网络

YOLO-v1实现

  1. 将图像分为S x S个网格（Grid Cell），如果某个Object的中心落在某个网格中，则这个网格就负责预测这个Object

  2. 每个网格有B个Bounding box， 每个box有x,y,w,h预测以外，还有个参数confidence的值，这个值代表了bounding box中是否含有Object，若有，这个预测的可能性有多准确（多大）
    $$
    Probability(Object) *IOU\frac{truth}{pred}
    $$
    如果Object中心落在这个网格里，Probality(Object)为1，否则为0

  3. 在test time，将上述公式乘以类的probability

    $$Probability(Class_i|Object) \ast Probability(Object) \ast IOU\frac{truth}{pred}$$

  4. YOLO模型检测回归问题将图片分为了S x S 网格（grid），同时每个网格包含B个bounding box，每个bouding box外加一个参数confidence， 最好是C个classes probabilities。 最终预测的输出格式为 $S \times S \times (B * 5 + C)$ tensor

  5. 在PASCAL VOC数据集的训练中，S=7，B=2，C=20，最终输出为$7\times7\times30$ tensor

YOLO-v1网络设计

Imgur

YOLO检测网络使用了24个卷积层和两个全连接层，循环使用1x1卷积层减少features space.

第一块一个卷积层，第二块一个卷积层，第三块四个卷积层，第四块4x4=16个卷积层，第五块3x2=6个卷积层，第六块2个卷积层

1+1+4+16+6+2 = 6 + 24

前六层为预处理，24为检测网络

Imgur

在全连接层之前的channel变化流程图

Encode方法

网上一张很好的解释图

S = 7

$w_b$为ground truth bounding box的宽，$h_b$为ground truth bounding box的高

$w_i$为整张图的宽，$h_i$为整张图的高

$(x_c,y_c)$为ground truth bounding box的中心点

蓝色方块为ground truth bounding box所落在的网格grid cell， 此网格的col=1,row=4

Imgur