YOLO (I)算法的原理和发展
我们知道YOLO实际上是你只看一次，也就是说你只需要看它一眼就可以知道位置和物体。个人觉得挺生动的。他不需要更快RCNN的RPN结构。事实上，他选择了anchor来保留候选框，并将图片分成7×7的网格，每个网格允许两个不同的边界框。这样，从一开始，我们就有了7x7x2的候选框，大致覆盖了图像的整个区域。他的想法是，即使更快的RCNN第一阶段有回归盒，第二阶段还是需要微调，不如做一个粗略的回归盒。
让我们好好看看这个模型。
首先，模型结构
事实上，这个模型的简单词汇是:
那30是怎么形成渠道规模的呢？
A.2个边界框的位置(8个通道)
每个包围盒需要四个数值来表示其位置，(Center_x，Center_y，width，height)，即(包围盒中心点的x坐标，y坐标，包围盒的宽度和高度)，两个包围盒* * *需要八个数值来表示其位置。
B.2个边界框的置信度(2个通道)
C.20分类概率(20个通道)
再来说说剩下的20维分类通道。每个通道代表一个类别的分类概率。因为YOLO支持识别20种不同的物体(人、鸟、猫、汽车、椅子等。)，有20个值代表任何物体存在于这个网格位置的概率。但我们只能预测一组图片中的49个对象，可以理解为一个grid2有两个锚，只有一个对象预测准确(也就是IOU比最大的锚)，所以有7×7个对象。
图中自行车的位置放在包围盒1中，但实际上在训练过程中网络输出后，两个包围盒与自行车实际位置的IOU进行比较，自行车的位置(实际包围盒)放在IOU较大的包围盒中(图中假设是包围盒1)，包围盒的置信度设置为1。
第二，损失函数
一般来说，网络输出和样本标签内容之间的误差平方和作为样本的总误差。
损失函数中的几项对应于输出30维向量的内容。
三、YOLO v1缺陷
注意:
详细信息:
YOLO的最后一层采用线性激活函数，其他各层都是漏ReLU。在训练中使用退出和数据增强来防止过拟合。更多细节请参考原论文。
在67 FPS时，YOLOv2在PASCAL VOC 2007上获得了76.8%的地图。在40 FPS时，YOLOv2获得了78.6%的mAP，这比使用ResNet和SSD的更快的R-CNN要好。取得如此优异的成绩，YOLOv2于2017年在CVPR出版，获得超过1000次引用。YOLO有两个缺点:一是定位不准确，二是与基于区域提议的方法相比召回率较低。所以YOLOv2主要是在这两个方面进行改进。此外，YOLOv2并没有通过加深或拓宽网络来提高效果，而是简化了网络。
下面主要从两点来介绍YOLO v2的推广。更好更快。
1、暗网-19
在YOLO v1中，作者采用的训练网络是基于GooleNet的。在此，笔者对GooleNet和VGG16做一个简单的对比。GooleNet在计算复杂度上优于vgg 16(82.5亿次运算vs 30.69亿次运算)，但前者的top-5精度略低于后者(88。在YOLO v2中，作者采用了一种新的分类模型作为基本网络，即Darknet-19。表6是最终的网络结构:Darknet-19只需要55.8亿次运算。这个网络包含19个卷积层和5个最大池层，而YOLO v1使用的GooleNet包含24个卷积层和2个全连通层，因此Darknet-19比YOLO v1使用的GoogleNet具有更少的卷积运算，这是减少计算量的关键。最后用平均池层代替全连通层进行预测。这个网络达到了965438+ImageNet上top-5的0.2%的准确率。
2、分类培训
上面说的第二部分和第三部分是训练处理的小技巧。这里用于分类的训练是在ImageNet上的预训练，主要分两步:1，从头开始训练Darknet-19，以ImageNet为数据集训练160 epoch，输入图像大小为224 224，初始学习率为0.1。此外，训练中采用了随机裁剪、旋转、色度、亮度调整等标准数据增加方法。2.微调网络。此时使用448，448个输入，除了历元和学习率之外参数不变。这里学习率改为0.001，训练10个历元。结果显示，微调后的top-1和top-5的准确率分别为76.5%和93.3%，而按照原训练方法，Darknet-19的top-1的准确率为72.9%，top-5的准确率为91.2%。因此可以看出，1和2步分别从网络结构和训练模式两个方面提高了主网络的分类精度。
3、检测培训
经过前面的步骤2，我们开始移植网络进行检测，并开始根据检测到的数据进行微调。先去掉最后一个卷积层，再加三个3/3的卷积层。每个卷积层有1024个滤波器，每个卷积层用1 1连接。1 1卷积的滤波器数量取决于要检测的类别。例如，对于VOC数据，因为每个网格单元需要预测5个盒子，每个盒子有5个坐标值和20个类别值，所以每个网格单元有125个过滤器(与YOLOv1不同，在YOLOv1中，每个网格单元有30个过滤器。还记得7 7 30矩阵吗，在YOLOv1中，类别概率是由网格单元预测的，也就是说一个网格单元对应的两个盒子的类别概率是相同的，但是在YOLOv2中，类别概率属于盒子，每个盒子对应一个类别概率，不是由网格单元决定的。所以这里每个盒子对应25个预测值(5个坐标加20个类别值)，而在YOLOv1中，一个网格单元的两个盒子的20个类别值是相同的)。另外作者还提到了将最后3 ^ 3 * 512卷积层与倒数第二个卷积层连接起来。最后，作者在测试数据集上对微调模型进行了160个历元的预训练，学习率为0.001。在第60和90个时期，学习率除以10，权重衰减为0.0005。
Yolo v3相比yolo v2有三点:1。使用多尺度特征来检测对象。2.调整基础网络结构。