基于YOLO系列算法的图像检测收藏

   目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派：    两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)    一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)

1 YOLO算法的提出    在图像的识别与定位中，输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包含该对象的矩形框）。

   对象的识别和定位，可以看成两个任务：找到图片中某个存在对象的区域，然后识别出该区域中具体是哪个对象对象识别这件事（一张图片仅包含一个对象，且基本占据图片的整个范围），最近几年基于CNN卷积神经网络的各种方法已经能达到不错的效果了。

所以主要需要解决的问题是，对象在哪里最简单的想法，就是遍历图片中所有可能的位置，地毯式搜索不同大小，不同宽高比，不同位置的每个区域，逐一检测其中是否存在某个对象，挑选其中概率最大的结果作为输出显然这种方法效率太低。

RCNN开创性的提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别，总体来说，RCNN系列依然是两阶段处理模式：先提出候选区，再识别候选区中的对象，大幅提升了对象识别和定位的效率。

不过RCNN的速度依然很慢，其处理一张图片大概需要49秒因此又有了后续的Fast RCNN 和 Faster RCNN，针对 RCNN的神经网络结构和候选区的算法不断改进，Faster RCNN已经可以达到一张图片约0.2秒的处理速度。

   R-CNN系列虽然准确率比较高，但是即使是发展到Faster R-CNN，检测一张图片如下图所示也要7fps(原文为5fps)，为了使得检测的工作能够用到实时的场景中，提出了YOLO2 算法的简介。

   YOLO意思是You Only Look Once，创造性的将候选区和对象识别这两个阶段合二为一，看一眼图片（不用看两眼哦）就能知道有哪些对象以及它们的位置    实际上，YOLO并没有真正去掉候选区，而是采用了预定义的候选区（准确点说应该是预测区，因为并不是Faster RCNN所采用的Anchor）。

也就是将图片划分为 7*7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49*2=98 个bounding box可以理解为98个候选区，它们很粗略的覆盖了图片的整个区域。

   RCNN虽然会找到一些候选区，但毕竟只是候选，等真正识别出其中的对象以后，还要对候选区进行微调，使之更接近真实的bounding box这个过程就是边框回归：将候选区bounding box调整到更接近真实的bounding box。

既然反正最后都是要调整的，干嘛还要先费劲去寻找候选区呢，大致有个区域范围就行了，所以YOLO就这么干了

   边框回归为什么能起作用，本质上是因为分类信息中已经包含了位置信息就像你看到一只猫的脸和身体，就能推测出耳朵和屁股的位置 3 算法的结构    去掉候选区这个步骤以后，YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接。

单看网络结构的话，和普通的CNN对象分类网络几乎没有本质的区别，最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量，如下图所示。

4 输入输出映射关系    因为只是一些常规的神经网络结构，所以，理解YOLO的设计的时候，重要的是理解输入和输出的映射关系。

   参考图5，输入就是原始图像，唯一的要求是缩放到448*448的大小主要是因为YOLO的网络中，卷积层最后接了两个全连接层，全连接层是要求固定大小的向量作为输入，所以倒推回去也就要求原始图像有固定的尺寸。

那么YOLO设计的尺寸就是448*448输出是一个 7*7*30 的张量（tensor）根据YOLO的设计，输入图像被划分为 7*7 的网格（grid），输出张量中的 7*7 就对应着输入图像的 7*7 网格。

或者我们把 7*7*30 的张量看作 7*7=49个30维的向量，也就是输入图像中的每个网格对应输出一个30维的向量参考上面图5，比如输入图像左上角的网格对应到输出张量中左上角的向量    要注意的是，并不是说仅仅网格内的信息被映射到一个30维向量。

经过神经网络对输入图像信息的提取和变换，网格周边的信息也会被识别和整理，最后编码到那个30维向量中具体来看每个网格对应的30维向量中包含了哪些信息。

① 20个对象分类的概率    因为YOLO支持识别20种不同的对象（人、鸟、猫、汽车、椅子等），所以这里有20个值表示该网格位置存在任一种对象的概率也对应为20个object条件概率② 2个bounding box的位置。

   每个bounding box需要4个数值来表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心点的x坐标，y坐标，bounding box的宽度，高度)，2个bounding box共需要8个数值来表示其位置。

③ 2个bounding box的置信度    bounding box的置信度 = 该bounding box内存在对象的概率 * 该bounding box与该对象实际bounding box的IOU, IOU=交集部分面积/并集部分面积，2个box完全重合时IOU=1，不相交时IOU=0。

   综合来说，一个bounding box的置信度Confidence意味着它 是否包含对象且位置准确的程度置信度高表示这里存在一个对象且位置比较准确，置信度低表示可能没有对象 或者 即便有对象也存在较大的位置偏差。

作为监督学习，我们需要先构造好训练样本，才能让模型从中学习对于一张输入图片，其对应输出的7*7*30张量（也就是通常监督学习所说的标签y或者label）应该填写什么数据呢首先，输出的 7*7维度 对应于输入的 7*7 网格。

   ① 20个对象分类的概率    ② 2个bounding box的位置    ③ 2个bounding box的置信度    （请对照上面图6）5 损失函数    损失就是网络实际输出值与样本标签值之间的偏差。

   YOLO给出的损失函数如下。

6 预测    训练好的YOLO网络，输入一张图片，将输出一个 7*7*30 的张量（tensor）来表示图片中所有网格包含的对象（概率）以及该对象可能的2个位置（bounding box）和可信程度（置信度）。

为了从中提取出最有可能的那些对象和位置，YOLO采用NMS（Non-maximal suppression，非极大值抑制）算法 7 总结    YOLO以速度见长，处理速度可以达到45fps，其YoloV4版本（网络较小）甚至可以达到155fps。

这得益于其识别和定位合二为一的网络设计，而且这种统一的设计也使得训练和预测可以端到端的进行，非常简便不足之处是小对象检测效果不太好（尤其是一些聚集在一起的小对象），对边框的预测准确度不是很高，总体预测精度略低于Fast RCNN。

主要是因为网格设置比较稀疏，而且每个网格只预测两个边框，另外Pooling层会丢失一些细节信息，对定位存在影响

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。