這篇文章主要介紹YOLO目標(biāo)檢測從V1到V3結(jié)構(gòu)的示例分析，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

成都網(wǎng)絡(luò)公司-成都網(wǎng)站建設(shè)公司成都創(chuàng)新互聯(lián)公司10余年經(jīng)驗成就非凡，專業(yè)從事成都網(wǎng)站設(shè)計、成都網(wǎng)站建設(shè)，成都網(wǎng)頁設(shè)計，成都網(wǎng)頁制作，軟文發(fā)布平臺，廣告投放等。10余年來已成功提供全面的成都網(wǎng)站建設(shè)方案，打造行業(yè)特色的成都網(wǎng)站建設(shè)案例，建站熱線：18980820575，我們期待您的來電！

目標(biāo)檢測評價指標(biāo)

• IoU（Intersection-over-Union）指標(biāo)

  IoU 簡稱交并比，顧名思義數(shù)學(xué)中交集與并集的比例。假設(shè)有兩個集合 A 與 B, IoU 即等于 A 與 B 的交集除以 A 與 B 的并集，表達(dá)式如下：

在目標(biāo)檢測中，IoU 為預(yù)測框 (Prediction) 和真實框 (Ground truth) 的交并比。如下圖所示，在關(guān)于小貓的目標(biāo)檢測中，紫線邊框為預(yù)測框 (Prediction)，紅線邊框為真實框 (Ground truth)。

在目標(biāo)檢測任務(wù)中，通常取 IoU≥0.5，認(rèn)為召回。如果 IoU 閾值設(shè)置更高，召回率將會降低，但定位框則更加精確。理想的情況，當(dāng)然是預(yù)測框與真實框重疊越多越好，如果兩者完全重疊，則交集與并集面積相同，此時 IoU 等于 1。

YOLOv1

YOLOv1 創(chuàng)新：

• 將整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸 bounding box 的位置和所屬的類別（將對象檢測作為一個回歸問題）

• 速度快，one stage detection 的開山之作

• 速度快，one stage detection 的開山之作

之前的目標(biāo)檢測方法需要先產(chǎn)生候選區(qū)再檢測的方法雖然有相對較高的檢測準(zhǔn)確率，但運(yùn)行速度較慢。

YOLO 將識別與定位合二為一，結(jié)構(gòu)簡便，檢測速度快，更快的 Fast YOLO 可以達(dá)到 155FPS。

YOLOv1 優(yōu)缺點(diǎn)

• YOLO 模型相對于之前的物體檢測方法有多個優(yōu)點(diǎn)：

1. YOLO 檢測物體非?？?。
   因為沒有復(fù)雜的檢測流程，只需要將圖像輸入到神經(jīng)網(wǎng)絡(luò)就可以得到檢測結(jié)果，YOLO 可以非?？斓耐瓿晌矬w檢測任務(wù)。標(biāo)準(zhǔn)版本的 YOLO 在 Titan X 的 GPU 上能達(dá)到 45 FPS。更快的 Fast YOLO 檢測速度可以達(dá)到 155 FPS 。而且，YOLO 的 mAP 是之前其他實時物體檢測系統(tǒng)的兩倍以上。

2. YOLO 可以很好的避免背景錯誤，產(chǎn)生 false positives。
   不像其他物體檢測系統(tǒng)使用了滑窗或 region proposal，分類器只能得到圖像的局部信息。YOLO 在訓(xùn)練和測試時都能夠看到一整張圖像的信息，因此 YOLO 在檢測物體時能很好的利用上下文信息，從而不容易在背景上預(yù)測出錯誤的物體信息。和 Fast-R-CNN 相比，YOLO 的背景錯誤不到 Fast-R-CNN 的一半。

3. YOLO 可以學(xué)到物體的泛化特征。
   當(dāng) YOLO 在自然圖像上做訓(xùn)練，在藝術(shù)作品上做測試時，YOLO 表現(xiàn)的性能比 DPM、R-CNN 等之前的物體檢測系統(tǒng)要好很多。因為 YOLO 可以學(xué)習(xí)到高度泛化的特征，從而遷移到其他領(lǐng)域。

• 盡管 YOLO 有這些優(yōu)點(diǎn)，它也有一些缺點(diǎn)：

1. YOLO 的物體檢測精度低于其他 state-of-the-art 的物體檢測系統(tǒng)。

2. YOLO 容易產(chǎn)生物體的定位錯誤。

3. YOLO 對小物體的檢測效果不好（尤其是密集的小物體，因為一個柵格只能預(yù)測 2 個物體）。

4. 召回率低

5. YOLOv1 較大的劣勢是不夠精確

網(wǎng)絡(luò)結(jié)構(gòu)及檢測流程

• 網(wǎng)絡(luò)結(jié)構(gòu)

YOLO 網(wǎng)絡(luò)借鑒了 GoogLeNet 分類網(wǎng)絡(luò)結(jié)構(gòu)，不同的是 YOLO 使用 1x1 卷積層和 3x3 卷積層替代 inception module。如下圖所示，整個檢測網(wǎng)絡(luò)包括 24 個卷積層和 2 個全連接層。其中，卷積層用來提取圖像特征，全連接層用來預(yù)測圖像位置和類別概率值。

• 檢測流程

• 先將圖片縮放到固定尺寸

• YOLO 將輸入圖像劃分為 S*S （論文中是 7×7）的柵格，每個柵格負(fù)責(zé)檢測中心落在該柵格中的物體。

• 每一個柵格預(yù)測 B （論文中是 2 個）個 bounding boxes（對每個邊界框會預(yù)測 5 個值，分別是邊界框的中心 x,y（相對于所屬網(wǎng)格的邊界），邊界框的寬高 w, h（相對于原始輸入圖像的寬高的比例）），以及這些 bounding boxes 的 confidence scores。（邊界框與 ground truth box 的 IOU 值）

• 同時每個網(wǎng)格還需要預(yù)測 c （論文中的 c=20）個類條件概率 （是一個 c 維向量，表示某個物體 object 在這個網(wǎng)格中，且該 object 分別屬于各個類別的概率，這里的 c 類物體不包含背景）

• 每個網(wǎng)格需要預(yù)測 2x5+20=30 個值，這些值被映射到一個 30 維的向量

• YOLO 最后采用非極大值抑制（NMS）算法從輸出結(jié)果中提取最有可能的對象和其對應(yīng)的邊界框。（下面非極大抑制的流程）

• 1. 設(shè)置一個 Score 的閾值，一個 IOU 的閾值（overlap）；

• 2. 對于每類對象，遍歷屬于該類的所有候選框，①過濾掉 Score 低于 Score 閾值的候選框；
  ②找到剩下的候選框中較大 Score 對應(yīng)的候選框，添加到輸出列表；
  ③進(jìn)一步計算剩下的候選框與②中輸出列表中每個候選框的 IOU，若該 IOU 大于設(shè)置的 IOU 閾值，將該候選框過濾掉（大于一定閾值，代表重疊度比較高），否則加入輸出列表中；
  ④最后輸出列表中的候選框即為圖片中該類對象預(yù)測的所有邊界框

• 3. 返回步驟 2 繼續(xù)處理下一類對象。

當(dāng) overlap 閾值越大、proposals boxes 被壓制的就越少，結(jié)果就是導(dǎo)致大量的 FP (False Positives)，進(jìn)一步導(dǎo)致檢測精度下降與丟失 (原因在于對象與背景圖像之間不平衡比率，導(dǎo)致 FP 增加數(shù)目遠(yuǎn)高于 TP)

當(dāng) overlap 閾值很小的時候，導(dǎo)致 proposals boxes 被壓制的很厲害，導(dǎo)致 recall 大幅下降。

輸入輸出、損失函數(shù)是什么

• 輸入：論文中輸入是 448×448

• 損失函數(shù)

  
  

  

如上圖所示，損失函數(shù)分為坐標(biāo)預(yù)測（藍(lán)色框）、含有物體的邊界框的 confidence 預(yù)測（紅色框）、不含有物體的邊界框的 confidence 預(yù)測（黃色框）、分類預(yù)測（紫色框）四個部分。

由于不同大小的邊界框?qū)︻A(yù)測偏差的敏感度不同，小的邊界框?qū)︻A(yù)測偏差的敏感度更大。為了均衡不同尺寸邊界框?qū)︻A(yù)測偏差的敏感度的差異。作者巧妙的對邊界框的 w,h 取均值再求 L2 loss. YOLO 中更重視坐標(biāo)預(yù)測，賦予坐標(biāo)損失更大的權(quán)重，記為 coord，在 pascal voc 訓(xùn)練中 coodd=5 ，classification error 部分的權(quán)重取 1。

某邊界框的置信度定義為：某邊界框的 confidence = 該邊界框存在某類對象的概率 pr (object)* 該邊界框與該對象的 ground truth 的 IOU 值 ，若該邊界框存在某個對象 pr (object)=1 ，否則 pr (object)=0 。由于一幅圖中大部分網(wǎng)格中是沒有物體的，這些網(wǎng)格中的邊界框的 confidence 置為 0，相比于有物體的網(wǎng)格，這些不包含物體的網(wǎng)格更多，對梯度更新的貢獻(xiàn)更大，會導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定。為了平衡上述問題，YOLO 損失函數(shù)中對沒有物體的邊界框的 confidence error 賦予較小的權(quán)重，記為 noobj，對有物體的邊界框的 confidence error 賦予較大的權(quán)重。在 pascal VOC 訓(xùn)練中 noobj=0.5 ，有物體的邊界框的 confidence error 的權(quán)重設(shè)為 1.

• 輸出：結(jié)果是一個 7×7×30 的張量。

結(jié)果

YOLOv2

YOLOv2 創(chuàng)新點(diǎn)

YOLOv1 雖然檢測速度快，但在定位方面不夠準(zhǔn)確，并且召回率較低。為了提升定位準(zhǔn)確度，改善召回率，YOLOv2 在 YOLOv1 的基礎(chǔ)上提出了幾種改進(jìn)策略

• Batch Normalization

YOLOv2 中在每個卷積層后加 Batch Normalization (BN) 層，去掉 dropout. BN 層可以起到一定的正則化效果，能提升模型收斂速度，防止模型過擬合。YOLOv2 通過使用 BN 層使得 mAP 提高了 2%。

• High Resolution Classifier （高分辨率）

目前的大部分檢測模型都會使用主流分類網(wǎng)絡(luò)（如 vgg、resnet）在 ImageNet 上的預(yù)訓(xùn)練模型作為特征提取器，而這些分類網(wǎng)絡(luò)大部分都是以小于 256x256 的圖片作為輸入進(jìn)行訓(xùn)練的，低分辨率會影響模型檢測能力。YOLOv2 將輸入圖片的分辨率提升至 448x448，為了使網(wǎng)絡(luò)適應(yīng)新的分辨率，YOLOv2 先在 ImageNet 上以 448x448 的分辨率對網(wǎng)絡(luò)進(jìn)行 10 個 epoch 的微調(diào)，讓網(wǎng)絡(luò)適應(yīng)高分辨率的輸入。通過使用高分辨率的輸入，YOLOv2 的 mAP 提升了約 4%。

• Convolutional With Anchor Boxes 使用 anchor box 進(jìn)行卷積

YOLOv1 利用全連接層直接對邊界框進(jìn)行預(yù)測，導(dǎo)致丟失較多空間信息，定位不準(zhǔn)。YOLOv2 去掉了 YOLOv1 中的全連接層，使用 Anchor Boxes 預(yù)測邊界框，同時為了得到更高分辨率的特征圖，YOLOv2 還去掉了一個池化層。由于圖片中的物體都傾向于出現(xiàn)在圖片的中心位置，若特征圖恰好有一個中心位置，利用這個中心位置預(yù)測中心點(diǎn)落入該位置的物體，對這些物體的檢測會更容易。所以總希望得到的特征圖的寬高都為奇數(shù)。YOLOv2 通過縮減網(wǎng)絡(luò)，使用 416x416 的輸入，模型下采樣的總步長為 32，最后得到 13x13 的特征圖，然后對 13x13 的特征圖的每個 cell 預(yù)測 5 個 anchor boxes，對每個 anchor box 預(yù)測邊界框的位置信息、置信度和一套分類概率值。使用 anchor boxes 之后，YOLOv2 可以預(yù)測 13x13x5=845 個邊界框，模型的召回率由原來的 81% 提升到 88%，mAP 由原來的 69.5% 降低到 69.2%. 召回率提升了 7%，準(zhǔn)確率下降了 0.3%。

• New Network：Darknet-19

YOLOv2 采用 Darknet-19，其網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示，包括 19 個卷積層和 5 個 max pooling 層，主要采用 3x3 卷積和 1x1 卷積，這里 1x1 卷積可以壓縮特征圖通道數(shù)以降低模型計算量和參數(shù)，每個卷積層后使用BN 層 以加快模型收斂同時防止過擬合。最終采用 global avg pool 做預(yù)測。采用 YOLOv2，模型的 mAP 值沒有顯著提升，但計算量減少了。

• Dimension Clusters  維度集群

在 Faster R-CNN 和 SSD 中，先驗框都是手動設(shè)定的，帶有一定的主觀性。YOLOv2 采用 k-means 聚類算法對訓(xùn)練集中的邊界框做了聚類分析，選用 boxes 之間的 IOU 值作為聚類指標(biāo)。綜合考慮模型復(fù)雜度和召回率，最終選擇 5 個聚類中心，得到 5 個先驗框，發(fā)現(xiàn)其中中扁長的框較少，而瘦高的框更多，更符合行人特征。通過對比實驗，發(fā)現(xiàn)用聚類分析得到的先驗框比手動選擇的先驗框有更高的平均 IOU 值，這使得模型更容易訓(xùn)練學(xué)習(xí)。

• Direct location prediction

Faster R-CNN 使用 anchor boxes 預(yù)測邊界框相對先驗框的偏移量，由于沒有對偏移量進(jìn)行約束，每個位置預(yù)測的邊界框可以落在圖片任何位置，會導(dǎo)致模型不穩(wěn)定，加長訓(xùn)練時間。YOLOv2 沿用 YOLOv1 的方法，根據(jù)所在網(wǎng)格單元的位置來預(yù)測坐標(biāo)，則 Ground Truth 的值介于 0 到 1 之間。網(wǎng)絡(luò)中將得到的網(wǎng)絡(luò)預(yù)測結(jié)果再輸入 sigmoid 函數(shù)中，讓輸出結(jié)果介于 0 到 1 之間。設(shè)一個網(wǎng)格相對于圖片左上角的偏移量是 cx，cy。先驗框的寬度和高度分別是 pw 和 ph，則預(yù)測的邊界框相對于特征圖的中心坐標(biāo) (bx，by) 和寬高 bw、bh 的計算公式如下圖所示。

YOLOv2 結(jié)合 Dimention Clusters, 通過對邊界框的位置預(yù)測進(jìn)行約束，使模型更容易穩(wěn)定訓(xùn)練，這種方式使得模型的 mAP 值提升了約 5%。

• Fine-Grained Features （細(xì)粒度特性）

YOLOv2 借鑒 SSD 使用多尺度的特征圖做檢測，提出 pass through 層將高分辨率的特征圖與低分辨率的特征圖聯(lián)系在一起，從而實現(xiàn)多尺度檢測。YOLOv2 提取 Darknet-19 最后一個 max pool 層的輸入，得到 26x26x512 的特征圖。經(jīng)過 1x1x64 的卷積以降低特征圖的維度，得到 26x26x64 的特征圖，然后經(jīng)過 pass through 層的處理變成 13x13x256 的特征圖（抽取原特征圖每個 2x2 的局部區(qū)域組成新的 channel，即原特征圖大小降低 4 倍，channel 增加 4 倍），再與 13x13x1024 大小的特征圖連接，變成 13x13x1280 的特征圖，最后在這些特征圖上做預(yù)測。使用 Fine-Grained Features，YOLOv2 的性能提升了 1%.

• Multi-Scale Training

YOLOv2 中使用的 Darknet-19 網(wǎng)絡(luò)結(jié)構(gòu)中只有卷積層和池化層，所以其對輸入圖片的大小沒有限制。YOLOv2 采用多尺度輸入的方式訓(xùn)練，在訓(xùn)練過程中每隔 10 個 batches , 重新隨機(jī)選擇輸入圖片的尺寸，由于 Darknet-19 下采樣總步長為 32，輸入圖片的尺寸一般選擇 32 的倍數(shù) {320,352,…,608}。采用 Multi-Scale Training, 可以適應(yīng)不同大小的圖片輸入，** 當(dāng)采用低分辨率的圖片輸入時，mAP 值略有下降，但速度更快，當(dāng)采用高分辨率的圖片輸入時，能得到較高 mAP 值，但速度有所下降。**

YOLOv2 借鑒了很多其它目標(biāo)檢測方法的一些技巧，如 Faster R-CNN 的 anchor boxes, SSD 中的多尺度檢測。除此之外，YOLOv2 在網(wǎng)絡(luò)設(shè)計上做了很多 tricks, 使它能在保證速度的同時提高檢測準(zhǔn)確率，Multi-Scale Training 更使得同一個模型適應(yīng)不同大小的輸入，從而可以在速度和精度上進(jìn)行自由權(quán)衡。YOLOv2 存在的問題

YOLO v2 對 YOLO v1 的缺陷進(jìn)行優(yōu)化，大幅度高了檢測的性能，但仍存在一定的問題，如無法解決重疊問題的分類等。

YOLOv3

創(chuàng)新點(diǎn)

• 新網(wǎng)絡(luò)結(jié)構(gòu)：DarkNet-53

將 256x256 的圖片分別輸入以 Darknet-19，ResNet-101，ResNet-152 和 Darknet-53 為基礎(chǔ)網(wǎng)絡(luò)的分類模型中，實驗得到的結(jié)果如下圖所示?？梢钥吹?Darknet-53 比 ResNet-101 的性能更好，而且速度是其 1.5 倍，Darknet-53 與 ResNet-152 性能相似但速度幾乎是其 2 倍。注意到，Darknet-53 相比于其它網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)了每秒高的浮點(diǎn)計算量，說明其網(wǎng)絡(luò)結(jié)構(gòu)能更好的利用 GPU。

• 融合 FPN

YOLOv3 借鑒了 FPN 的思想，從不同尺度提取特征。相比 YOLOv2，YOLOv3 提取最后 3 層特征圖，不僅在每個特征圖上分別獨(dú)立做預(yù)測，同時通過將小特征圖上采樣到與大的特征圖相同大小，然后與大的特征圖拼接做進(jìn)一步預(yù)測。用維度聚類的思想聚類出 9 種尺度的 anchor box，將 9 種尺度的 anchor box 均勻的分配給 3 種尺度的特征圖 .

• 用邏輯回歸替代 softmax 作為分類器

在實際應(yīng)用場合中，一個物體有可能輸入多個類別，單純的單標(biāo)簽分類在實際場景中存在一定的限制。舉例來說，一輛車它既可以屬于 car（小汽車）類別，也可以屬于 vehicle（交通工具），用單標(biāo)簽分類只能得到一個類別。因此在 YOLO v3 在網(wǎng)絡(luò)結(jié)構(gòu)中把原先的 softmax 層換成了邏輯回歸層，從而實現(xiàn)把單標(biāo)簽分類改成多標(biāo)簽分類。用多個 logistic 分類器代替 softmax 并不會降低準(zhǔn)確率，可以維持 YOLO 的檢測精度不下降。

以上是“YOLO目標(biāo)檢測從V1到V3結(jié)構(gòu)的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

分享名稱：YOLO目標(biāo)檢測從V1到V3結(jié)構(gòu)的示例分析-創(chuàng)新互聯(lián)
鏈接URL：http://chinadenli.net/article44/idihe.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營銷、品牌網(wǎng)站制作、建站公司、Google、網(wǎng)站建設(shè)、手機(jī)網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)