🎈🎈🎈Yolo系列教程总目录

第一年整体解读
第二年整体解读

YOLOV1提出论文：您只需看一次：统一、实时的对象检测

1个、物体检测经典方法

• 两阶段(两阶段)：更快-RCNN掩码-RCNN系列
• 一阶段(单阶段)：yolo系列

• 最核心的优势:速度非常快，适合做实时检测任务！
• 但是缺点也是有的，效果通常情况下不会太好！

2个、机器学习分类任务评价指标

机器学习分类任务评价指标

3、YOLOV1简介

• 经典的物体检测算法
• 你只看一次，名字就已经说明了一切
• 把检测问题转化为回归问题，一个美国有线电视新闻网就搞定了
• 可以对视频进行检测，应用领域非常广

只需要一个起始位置坐标，加上长和宽，即(x，y，w，h)，就能把一个物体框出来了，这就是转化为回归问题

YOLO算法，在当时15、16年等了很久，因为更快R-cnn精度高，但是太慢了，速度在当时比精度更重要

4、YOLOV1预测流程

1. 把图像分词S*S个格子
2. 遍历每个格子，如果哪一个物体的中心点落在了这个格子，那么这个格子就负责预测这个物体
3. 得到了若干个格子，遍历每一个格子
4. 根据当前的格子都生成两个候选框，找出一个接近的框
5. 现在有了一个这个物体的位置，需要调整框的长宽来得到最终结果
6. 在调整的过程中会得到很多个候选框，每个候选框都会得到一个信心指数(值(即置信度，这个置信度表示了当前框住的部分是否是一个我们需要检测的物体)
7. (置信度低的框会被过滤掉(因为目标格子可能会有多个，但是不一定都符合)

总结：

首先输入就是一个S*S个格子，每一个格子都产生两个候选框，产生两个候选框进行微调，但是不是所有候选框都进行微调，需要切实有物体的，什么时候有物体，通过执行度来判断

5个、整体网络架构

输入图像是一个448*448，是一个固定值(这个固定值并不意味着只能检测固定大小的东西，这个固定值是通过OpenCV的Resige到固定值得到，里面的物体会进行缩放，最后的框会映射到一个完整的原始图像中)，这个固定值也导致了一些问题，在v1版本中有一定的局限性

1. 输入数据(448,448，3)
2. 经过20层修改的谷歌，得到(14，14,1024)
3. 经过2次转换+REU，得到(14，14,1024)
4. 经过2次转换+REU，得到(7,71024)
5. 一次拉平操作+FC+REU，得到(4096，1)
6. 一次全连接(1470，1)
7. 重塑(7，7，30)
8. 生成检测

在网络的最后得到一个(7，7，30)的特征图，这个特征图表示的意义：77表示前面提到的SS个GRID格子，在7*7的格子中，每一个格子都有30个值，每一个格子都要预测出30个值.

30个值的意义：

• 7*7个格子分别对应${B类}_1$、${B类}_{2.}$两个框，比如${B类}_1$框，对应了4个值$(X_1，{是}_1，W_1，{B类}_1)$就可以表示成一个唯一的框，但是这里的$X_1和{是}_1$不是一个具体的坐标值，是经过归一化后得到的一个在0到1之间的相对值
• 因此${B类}_{2.}$框，也对应了4个值$(X_{2.}，{是}_{2.}，W_{2.}，{B类}_{2.})$
• 此外每一个框，是不是有框住了物体呢？有一个置信度C值.
• 因此${B类}_1$框，对应5个值$(X_1，{是}_1，W_1，{B类}_1，C_1)$，${B类}_{2.}$框，对应了5个值$(X_{2.}，{是}_{2.}，W_{2.}，{B类}_{2.}，C_{2.})$
• 在前面提到了一共有30个值，前10个对应了这10个值，后面的20个值，则是对应了20分类，也就是对应了20个类别的概率值.

了解了30个值的意义，就了解了(7，7，30)，就基本懂了yolo-v1了

6个、损失函数计算公式

6.1.每个数字的意义

前面我们已经解释了每个数字的意义

• 10=(X、Y、W、H、C)*2
• 当前数据集有20个类别
• 7*7代表最终网格的大小
• SS(B*5+C)

6.2坐标回归误差(中心点定位)

位置损失计算的是(X，Y，W，H)这4个值和真实值之间的误差
前面我们仔细解释了各项参数的含义，下面陆续给出整个损失计算公式，首先是位置损失，位置损失又包含两部分，分别是坐标和长宽，不是一个具体的坐标值，是经过归一化后得到的一个在0到1之间的相对值
$${\lambda }_{CoorD}\sum _{我=0}^{S^{2.}}\sum _{J=0}^{B类}{1}_{伊杰}^{O比耶}[(X_{我}-{\hat{X}}_{我}{)}^{2.}+({是}_{我}-{\widehat{是}}_{我}{)}^{2.}]$$

1. ${\lambda }_{CoorD}$=5：超参数，坐标损失的权重
2. ${\sum }_{我=0}^{S^{2.}}$：遍历所有的网格单元格格子
3. ${\sum }_{J=0}^{B类}$：遍历所有的包围盒候选框
4. 指示函数$1_{伊杰}^{O比耶}$：挑选负责检测物体的bbox
5. $(X_{我}-{\hat{X}}_{我}{)}^{2.}+({是}_{我}-{\widehat{是}}_{我}{)}^{2.}$：中心点定位预测值和标签值的差的平方和

6.3%坐标回归误差(长宽定位)

$$+{\lambda }_{CoorD}\sum _{我=0}^{S^{2.}}\sum _{J=0}^{B类}{1}_{伊杰}^{O比耶}[(\sqrt{W_{我}}-\sqrt{{\hat{W}}_{我}}{)}^{2.}+(\sqrt{H_{我}}-\sqrt{{\hat{H}}_{我}}{)}^{2.}]$$

1. ${\lambda }_{CoorD}$=5：超参数，坐标损失的权重
2. ${\sum }_{我=0}^{S^{2.}}$：遍历所有的网格单元格格子
3. ${\sum }_{J=0}^{B类}$：遍历所有的包围盒候选框
4. 指示函数$1_{伊杰}^{O比耶}$：挑选负责检测物体的bbox
5. $(\sqrt{W_{我}}-\sqrt{{\hat{W}}_{我}}{)}^{2.}+(\sqrt{H_{我}}-\sqrt{{\hat{H}}_{我}}{)}^{2.}$：宽高定位预测值和标签值算术平方根的差的平方和

求根号能使小框对误差更敏感

6.4.置信度回归误差(含有对象)

主要是判断当前预测的是前景还是背景，含有对象物体即为前景
$$\sum _{我=0}^{S^{2.}}\sum _{J=0}^{B类}{1}_{伊杰}^{O比耶}(C_{我}-{\hat{C}}_{我}{)}^{2.}$$

1. ${\sum }_{我=0}^{S^{2.}}$：遍历所有的网格单元格格子
2. ${\sum }_{J=0}^{B类}$：遍历所有的包围盒候选框
3. 指示函数$1_{伊杰}^{O比耶}$：挑选负责检测物体的bbox
4. $(C_{我}-{\hat{C}}_{我}{)}^{2.}：$预测值和标签值差的平方和
5. $C_{我}$从模型正向推断结果为：SS(B*5+C)维向量找到这个Bbox的置信度得分
6. ${\hat{C}}_{我}$：计算这个bbox与Ground Truth的借条

6.5置信度回归误差(不含有对象)

$${\lambda }_{N吴比耶}\sum _{我=0}^{S^{2.}}\sum _{J=0}^{B类}{1}_{伊杰}^{N吴比耶}(C_{我}-{\hat{C}}_{我}{)}^{2.}$$

1. ${\lambda }_{N吴比耶}=0.5$：超参数，非目标置信度损失的权重
2. ${\sum }_{我=0}^{S^{2.}}$：遍历所有的网格单元格格子
3. ${\sum }_{J=0}^{B类}$：遍历所有的包围盒候选框
4. 指示函数$1_{伊杰}^{N吴比耶}$：挑选不负责检测物体的bbox
5. $(C_{我}-{\hat{C}}_{我}{)}^{2.}$：预测值和标签值差的平方和

6.6%分类误差

$$\sum _{我=0}^{S^{2.}}{1}_{我}^{O比耶}\sum _{C\in CL一个上证所}(P_{我}(C)-{\hat{P}}_{我}(C){)}^{2.}$$

1. ${\sum }_{我=0}^{S^{2.}}$：遍历所有的网格单元格格子
2. $1_{我}^{O比耶}$：挑选不负责检测物体的bbox
3. ${\sum }_{C\in CL一个上证所}$：遍历所有类别

7个、指示函数

前面的误差计算公式提到了三个指示函数：

7.1第1个$1_{我}^{O比耶}$

$$1_{我}^{O比耶}=\{\begin{array}{ll}1，& \text{如果第他说：}我\text{他说：个网格单元包含目标.}\\ 0，& \text{否则.}\end{array}$$

$1_{我}^{O比耶}$：第I个网格单元是否包含物体，也即是否有Groud True框的中心点落在网格单元中，若有则为1，否则为0

7.2第2个$1_{伊杰}^{O比耶}$

$$1_{伊杰}^{O比耶}=\{\begin{array}{ll}1，& \text{如果第他说：}我\text{他说：个网格单元中的第他说：}J\text{他说：个边界框预测到了目标.}\\ 0，& \text{否则.}\end{array}$$
$1_{伊杰}^{N吴比耶}$：第i个网格单元格的第j个边界框若负责预测物体则为%1，否则为%0

7.3第3个$1_{伊杰}^{N吴比耶}$

$$1_{伊杰}^{N吴比耶}=\{\begin{array}{ll}1，& \text{如果第他说：}我\text{他说：个网格单元中的第他说：}J\text{他说：个边界框没有预测到目标.}\\ 0，& \text{否则.}\end{array}$$
$1_{伊杰}^{N吴比耶}$：第i个网格单元格的第j个边界框若不负责预测物体则为%1，否则为%0

• $1_{伊杰}^{O比耶}$为1，$1_{我}^{O比耶}$也必为1
• $1_{伊杰}^{O比耶}$为1，$1_{伊杰}^{N吴比耶}$必为%0

8、网管(非极大值抑制)

置信度是可以设置的，设置的较大的时候则比较严格，可能出现有些物体没有被检测，较小的时候可能一个物体出现多个预选框.
但是有时候就算设置较大的置信度，还是出现了多个预选框，我们可以进行非极大值抑制操作，对预选框的置信度进行排序，最终只选取较大的预选框.

YOLOV1到这里内容就全部都结束了，那YOLOV1有哪些问题呢？

1. 小物体检测效果不好:当前一个网格单元格只预测一个类别，当有两个物体高度重合在一起的时候，比如一只狗的旁边还有一只猫，那可能只能检测出狗。
2. 多标签预测效果不好:这里介绍的是20分类，实际任务可以设置更多或者更少的分类，假设标签中有狗这个类别，还有斑点狗，还有哈士奇之类的，可能一个物体对应了两个标签，既是狗又是哈士奇，SoftMax可能无法拿到多个标签

那么YOLOV2做了哪些改进呢？

第一年整体解读
第二年整体解读