思维导图

  • YOLO 系列算法发展历程
    • 学习资料
    • YOLO 原理简述
    • YOLO 开山之作 —— YOLOv1
    • YOLOv2
    • YOLOv3

学习资料

YOLO 原理简述

以YOLOv1为例，简述YOLO的核心思想。

  • 将图像划分成SxS个网络
  • 物体bbox中心落在哪个网格上，就由该网格对应锚框负责检测该物体。

  • 输出特征图的宽度、高度（H，W）为SxS，即SxS个网格。
  • 输出特征图的通道上有x,y,w,h,Pobject,classification(one  hot)x,y,w,h,P_{object},classification(one \; hot)等信息。
  • 在官方提出的YOLOv1中，特征图的每个位置预测两个bounding box（bbox），而每个bbox包含五个输出参数：置信度，矩形框参数，共10个参数，再加上20个类别，一共就是30了。置信度C的作用是判断此处是否有目标的中心点。每个网格都会给出5B+C5B+C个预测参数，因此，网络最终输出的预测参数总量就是S×S×(5B+C)S\times S \times (5B+C)
    • 之所以是20个类别，是因为那时候的数据集只有PASCAL VOC，共20个类别，COCO还没提出来。

因此，YOLOv1就是在每个网格上去做预测，理想情况下，包含了物体中心点的网格会有很高的置信度输出，而不包含中心点的网格的置信度输出应该十分接近0。

总的来说，YOLOv1一共有三部分输出，分别是objectness、class以及bbox：

  • objectness就是上面所说的框的置信度，用于表征该网格是否有物体；
  • class就是类别预测；
  • 而bbox就是边界框(bounding box)。

YOLO 开山之作 —— YOLOv1

  • 单阶段目标检测模型
  • 名字来源是 You Only Look Once
  • 将目标检测当做一个单一的回归任务，仅使用一个卷积神经网络端到端地实现检测物体的目的。

YOLOv2

  • 优化方法
    • 骨干网络：224x224 -> 448x448，DarkNet19
    • 全卷积网络结构：Conv + Batch Norm
    • KMeans 聚类 Anchor
    • 多尺度训练
  • 待改进点
    • 小目标上召回率不高
    • 靠近的群体目标检测效果不好
    • 检测精度还有优化空间

YOLOv3

  • 优化方法
    • 骨干网络：DarkNet53
    • 多尺度预测
    • 跨尺度特征融合
    • COCO数据集聚类9种不同尺度Anchor，每个尺度3个
    • 分类使用Sigmoid激活，支持目标多分类
  • 待改进点
    • 召回率相对较低
    • 靠近的群体目标检测效果较差
    • 定位精度仍需优化