yolov5算法原理（yolov4算法原理）深度学习计算机视觉之YOLO，YOLOv2和YOLOv3算法(超详细解析)，-卡咪卡咪哈-一个博客

您只看一次（YOLO）是针对实时处理的对象检测系统。我们将在本文中介绍YOLO，YOLOv2和YOLOv3。这是YOLO官网提供各种模型的准确性和速度比较。

转载自深度学习计算机视觉之YOLO，YOLOv2和YOLOv3算法(超详细解析)

让我们从下面的测试图像开始

YOLO检测到的对象：

网格单元

为了便于讨论，我们裁剪了原始照片。YOLO将输入图像划分为S × S网格。每个网格单元仅预测一个对象。例如，下面的黄色网格单元试图预测其中心（蓝色点）落在网格单元内的“人”对象。

每个网格单元都预测固定数量的边界框。在此示例中，黄色网格单元格进行两个边界框预测（蓝色框）以定位人的位置。

但是，单对象规则限制了所检测对象的接近程度。为此，YOLO在对象近距离上确实有一些限制。对于下图，左下角有9个圣诞老人，但YOLO只能检测到5个。

对于每个网格单元：

它预测B个边界框，每个框都有一个框置信度得分

它只检测一个物体，而与盒子B的数量无关

它可以预测C个条件类的概率（对于对象类的可能性，每个类一个）

为了评估PASCAL VOC，YOLO使用7×7网格（S×S），2个边界框（B）和20个类（C）

让我们来了解更多细节。每个边界框包含5个元素：（x，y，w，h）和一个框的置信度得分。置信度得分反映了框包含一个对象的可能性（objectness）以及边界框的准确性。我们通过图像的宽度和高度对边界框的宽度w和高度h进行归一化。x和y是对应

单元格的偏移量。因此，x，y，w和h都在0和1之间。每个像元都有20个条件类概率。该条件类概率是检测到的对象属于特定类别的概率（每个单元格每个类别一个概率）。因此，YOLO的预测形状为（S，S，B×5 + C）=（7，7，2×5 + 20）=（7，

7，30）。

YOLO的主要概念是建立一个CNN网络以预测（7，7，30）张量。它使用CNN网络将空间尺寸减小到7×7，每个位置都有1024个输出通道。YOLO使用两个完全连接的层执行线性回归，以进行7×7×2边界框预测（下图为中间图）。为了做出最终预测，我们将框置信度得分高（大于0.25）的那些作为我们的最终预测（右图）。

每个预测框的分类置信度得分计算如下：

它测量对分类和定位（对象所在的位置）的置信度。

我们可以轻松地将那些计分和概率项混合在一起。以下是数学定义：

网络设计

YOLO具有24个卷积层，其后是2个全连接层（FC）。一些卷积层可替代地使用1×1缩小层来减少特征图的深度。对于最后一个卷积层，它输出形状为（7，7，1024）的张量。然后将张量展平。使用2个完全连接的层作为线性回归的形式，它输出7×7×30个参数，然后重塑为（7、7、30），即每个位置2个边界框预测。更快但不太准确的YOLO版本称为Fast YOLO，它仅使用9个卷积图层，具有较浅的特征图。

损失函数

YOLO预测每个网格单元有多个边界框。为了计算真实正值的损失，我们只希望其中一个负责对象。为此，我们选择具有最高IoU（与工会的交集）和基本事实的人。这种策略导致边界框预测之间的专门化。每个预测都可以更好地预测某些大小和纵横

比。

YOLO使用预测值与基本事实之间的平方和误差来计算损失。损失函数包括：

在分类的损失

位置的损失（预测边界框与真实框之间的误差）

置信度的损失

非最大抑制

YOLO可以对同一物体进行重复检测。为了解决这个问题，YOLO应用了非最大抑制以较低的置信度删除重复项。非最大抑制会在mAP中增加2-3％。

这是可能的非最大抑制实现之一：

按置信度分数对预测进行排序。

从最高分开始，如果我们发现任何先前的预测与当前预测具有相同的类并且IoU>

0.5，则忽略任何当前预测。

重复步骤2，直到检查完所有预测。

YOLOv2

SSD是YOLO的强大竞争对手，它一方面证明了实时处理的更高准确性。与基于区域的探测器相比，YOLO的定位误差更高，召回率（衡量所有物体的定位效果）更低。YOLOv2是YOLO的第二个版本，目的是在提高准确性的同时又要使其更快。

第一方面：精度提升

批量标准化

在卷积层中添加批处理规范化。mAP提升了2％。

高分辨率分类器

YOLO培训分为两个阶段。首先，我们训练像VGG16这样的分类器网络。然后，我们用卷积层替换完全连接的层，并端到端对其进行重新训练以进行对象检测。YOLO用224×224图片，然后是448×448图片来训练分类器，以进行物体检测。YOLOv2从224×224张图片开始进行分类器训练，但随后以更少的时间间隔再次以448×448张图片重新分类器。这使检测器的训练更加轻松，并将mAP提高4％。

卷积与锚框

如YOLO论文所述，早期训练易受不稳定梯度的影响。最初，YOLO在边界框上进行任意猜测。这些猜测可能对某些对象有效，但对另一些对象则不利，从而导致陡峭的梯度变化。在早期的培训中，关于哪种形状要专门进行预测是相互斗争的。

由于我们只需要一个猜测就对了，因此，如果我们从现实生活中常见的各种猜测开始，初始训练将更加稳定。例如，我们可以创建5个具有以下形状的锚框。

代替预测5个任意边界框，我们预测到上面每个锚定框的偏移量。如果我们限制偏移值，则我们可以保持预测的多样性，并使每个预测着眼于特定形状。因此初始培训将更加稳定。

删除负责预测边界框的完全连接的层

增加边界框为5个

每个预测都包括边界框的4个参数(x, y, w, h)，1个框的置信度得分（客观性）和20个类概率。即5个带有25个参数的边界框：每个网格单元125个参数。与YOLO一样，客观性预测仍可预测地面实况和拟议方框的IOU。

将输入图像的大小从448×448更改为416×416。

这将创建一个奇数空间尺寸（7×7与8×8网格单元）。图片的中心通常被大物体占据。使用奇数网格单元，可以更确定对象所属的位置。

维度簇

在许多问题域中，边界框具有很强的模式。例如，在自动驾驶中，两个最常见的边界框将是距离不同的汽车和行人。为了确定对训练数据具有最佳覆盖范围的前K个边界框，我们在训练数据上运行K-均值聚类，以找到前K个聚类的质心。

细粒度的功能

卷积层逐渐减小空间尺寸。随着相应分辨率的降低，很难检测到小物体。其他对象检测器（如SSD）可从功能图的不同层定位对象。因此，每一层都以不同的规模专长。YOLO采用了另一种称为直通的方法。它将26×26×512层重塑为13×13×2048。然后

与原始的13×13×1024输出层连接。现在，我们在新的13×13×3072层上应用卷积滤波器进行预测。

多尺度培训

删除完全连接的图层后，YOLO可以拍摄不同尺寸的图像。如果宽度和高度加倍，我们将只进行4倍的输出网格单元，因此进行4倍的预测。由于YOLO网络会将输入下采样32倍，因此我们只需要确保宽度和高度是32的倍数即可。在训练期间，YOLO拍摄

的图像尺寸为320×320、352×352，…和608×608（步骤32）。对于每10批，YOLOv2随机选择另一个图像大小来训练模型。这充当数据增强，并迫使网络针对不同的输入图像尺寸和比例进行良好的预测。另外，我们可以使用较低分辨率的图像进行目标检测，但要以准确性为代价。在低GPU功耗的设备上，这可能是一个不错的折衷方案。YOLO以288×288的速度在90 FPS的条件下运行，其mAP几乎与Fast R-CNN一样。

准确性

这是应用到目前为止讨论的技术之后的准确性提高：