当前位置：首页 > news >正文

目标检测 YOLO 系列模型

news 来源：原创 2024/4/30 12:23:17

前言

YOLO (You Only Look Once) 系列模型追求实时目标检测，因此会在一定程度上牺牲精度，以实现更高的检测速度。

如果你对这篇文章可感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。

目标检测评价指标

IoU

模型预测框的 IoU 值与 IoU 阈值进行比较，若大于阈值，即为正确的检测，否则为错误的检测。
在这里插入图片描述

mAP

目标检测中，每个预测框都对应一个置信度，不同的置信度阈值，意味着最终留下的预测框的不同。

AP 是针对目标检测中某个单独的类别的检测效果，即在同一 IoU 阈值下，通过调整置信度阈值，得到 P-R 曲线，其下方面积即为 AP 值。相应地，mAP 即是所有类别的 AP 值取平均后的结果。
$\text{mAP}=\frac{1}{C}\sum_{i=1}^C \text{AP}_i$
在这里插入图片描述

YOLOv1

论文链接：[CVPR16 - Joseph Redmon] You Only Look Once: Unified, Real-Time Object Detection

网络架构

整体网络架构如下：
在这里插入图片描述
可以看到开始的输入被固定为 448x448x3，输出被固定为 7x7x30，其中输出的含义为将原始输入图片划分为 7x7 的网格，其中每个网格包含 30 维信息（x, y, w, h 均为归一化后结果）：

1~5：当前网格对应预测框 1 的信息，框中心 x、y 坐标，宽度 w，高度 h，置信度 c
6~10：当前网格对应预测框 2 的信息，框中心 x、y 坐标，宽度 w，高度 h，置信度 c
11~30：对 20 个类别的预测概率

损失函数

在这里插入图片描述
其中对 w、h 开根再求差，是为了放大小物体检测框的权重，因为 $y=\sqrt{x}$ 在数值较小时变化更剧烈。

模型特点

优点：
- 快速、简单
不足：
- 每个网格只预测一个类别，如果物体重叠，则难以识别
- 只有两个预选框，小物体检测效果一般

YOLOv2

论文链接：[CVPR17 - Joseph Redmon] YOLO9000:Better, Faster, Stronger

改进方案

Batch Normalization
- v2 舍弃 Dropout，卷积后全部加入 Batch Normalization，即网络的每一层的输入都做了归一化，使收敛更容易
- 经过 BN 处理后的网络会提升 2% 的 mAP
更大的分辨率
- v1 训练时用 224x224，测试时使用 448x448；因此 v2 训练时再额外进行 10 次 448x448 的微调
- 该项改进提升 4% 的 mAP
网络结构改变
- 采用 Darknet-19，去除所有全连接层，进行 19 次卷积，且再进行 5 次降采样，以及多次 1x1 卷积，节省大量参数
- 每一层卷积核尺寸都较小，原因在于多个小卷积核比一个大卷积核更省参数，以及多个小卷积核，每次卷积后再进行 BN，网络输出更稳定
- 最终输出从 7x7 提升至 13x13，预测的框更多了
聚类提取先验框
- faster-rcnn 中选取的先验框比例都是常规的，而 v2 中先验框大小通过对训练集中标注的边框进行 k-means 聚类，其中聚类采用的距离形式如下（欧式距离对大框和小框不公平）：
  $d(\text { box, centroids })=1-\operatorname{IOU}(\text { box, centroids })$
- 根据 k 和 Avg IOU 曲线，选择 k = 5
预测框偏移量计算
- 原先的 $x=x_p+w_p*tx$ 为直接偏移量，存在收敛问题，导致模型不稳定；因此修改为相对网格的偏移，使得中心点不会偏移出网格：
- 计算举例（根据预测值，以及一开始聚类得到的先验框大小，得到最终的预测框）：
特征融合
- 最后一层感受野（特征图上的点能看到原始图像的区域）太大了，小目标可能丢失，因此与之前的特征进行融合
适配多尺度输入
- 由于网络中不再有全连接层，因此可以适配多尺度的输入