蜜桃av色欲a片精品一区,麻豆aⅴ精品无码一区二区,亚洲人成网站在线播放影院在线,亚洲 素人 字幕 在线 最新

  YOLO算法講解

發(fā)布日期：2022/6/18 6:47:39      瀏覽量：

YOLO 是 2016 年提出來(lái)的目標(biāo)檢測(cè)算法，在當(dāng)時(shí)比較優(yōu)秀的目標(biāo)檢測(cè)算法有 R-CNN、Fast R-CNN 等等，但 YOLO 算法還是讓人感到很新奇與興奮。

YOLO 是 You only look once 幾個(gè)單詞的縮寫(xiě)，大意是你看一次就可以預(yù)測(cè)了，靈感就來(lái)自于我們?nèi)祟?lèi)自己，因?yàn)槿丝匆粡垐D片時(shí)，掃一眼就可以得知這張圖片不同類(lèi)型目標(biāo)的位置。

YOLO 勝在它的簡(jiǎn)單與快速。

YOLO 是單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端的預(yù)測(cè)，沒(méi)有多個(gè)步驟和過(guò)程。

YOLO 的速度非?？?，可以達(dá)到實(shí)時(shí)的 45 fps，簡(jiǎn)化版本甚至達(dá)到 155 fps。



YOLO 目標(biāo)預(yù)測(cè)如同捕魚(yú)
在 YOLO 前，目標(biāo)檢測(cè)一般通過(guò)算法生成候選區(qū)域，然后在數(shù)量眾多的候選區(qū)域中做目標(biāo)的分類(lèi)和 bbox 位置的回歸。

更古老的方法是通過(guò)滑動(dòng)窗口的形式去挨個(gè)預(yù)測(cè)與判別。

但 YOLO 大不相同。 

如果把目標(biāo)檢測(cè)看做是一個(gè)捕魚(yú)的過(guò)程，其他算法是拿著漁叉一個(gè)一個(gè)精準(zhǔn)地狙擊，那么 YOLO 就粗獷的多，一個(gè)漁網(wǎng)撒撒下去，一網(wǎng)打盡。

YOLO 的預(yù)測(cè)是基于整個(gè)圖片的，并且它會(huì)一次性輸出所有檢測(cè)到的目標(biāo)信息，包括類(lèi)別和位置。

YOLO 的算法思路。

縮放輸入的圖片

將圖片送入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)

通過(guò)預(yù)測(cè)的結(jié)果進(jìn)行置信度的閾值處理，得到最終的結(jié)果。

下面講解算法細(xì)節(jié)。

分割圖片
YOLO 會(huì)把輸入圖片分割成 SxS 個(gè)網(wǎng)格，如果一個(gè)目標(biāo)的中心點(diǎn)落在某個(gè)網(wǎng)格當(dāng)中，那么對(duì)應(yīng)的那個(gè)網(wǎng)格就負(fù)責(zé)預(yù)測(cè)這個(gè)目標(biāo)的大小和類(lèi)別。

上面的圖片示例中，狗的中心點(diǎn)落在了藍(lán)色的網(wǎng)格當(dāng)中，所以藍(lán)色的網(wǎng)格就負(fù)責(zé)這個(gè)目標(biāo)的信息預(yù)測(cè)。

每個(gè)網(wǎng)格目標(biāo)的預(yù)測(cè)
每個(gè)網(wǎng)格都會(huì)預(yù)測(cè) B 個(gè) bbox 和 bbox 對(duì)應(yīng)的置信值 Confidence，bbox 預(yù)測(cè)目標(biāo)的位置，Confidence 用來(lái)反映這個(gè)網(wǎng)格是否有包含目標(biāo)及 bbox 的準(zhǔn)確性有多高。 

這樣的結(jié)果是針對(duì)每一個(gè) bbox 而言的目標(biāo)類(lèi)別概率分布的置信值，這個(gè)置信值同時(shí)表達(dá)了 2 樣?xùn)|西，一個(gè)是目標(biāo)是某個(gè)類(lèi)別的概率，一個(gè)是預(yù)測(cè)的 bbox 離真實(shí)的 bbox 有多遠(yuǎn)。 

YOLO 把輸入圖片劃分成 SxS 個(gè)網(wǎng)格，每個(gè)網(wǎng)格都會(huì)預(yù)測(cè) B 個(gè) bbox 和 C 個(gè)目標(biāo)類(lèi)別的條件概率，并且每一個(gè) bbox 包含 x、y、w、h、confidence 5 個(gè)參數(shù)。

所以，YOLO 最終的預(yù)測(cè)結(jié)果可以整合成一個(gè)尺寸為 SS(5*B+C) 的 tensor。

B、S、C 這幾個(gè)值都由網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)者決定，YOLO v1 在 PASCAL VOC 數(shù)據(jù)集上評(píng)估時(shí)，S = 7,B = 2。

因?yàn)檫@個(gè)數(shù)據(jù)集有 20 個(gè)種類(lèi)，所以 C = 20，套用前面的公式，最終預(yù)測(cè)時(shí) Tensor 的尺寸為 7730。

YOLO 的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
YOLO 是基于 CNN 的，論文作者說(shuō)他受 GooLeNet 結(jié)構(gòu)的啟發(fā)，然后構(gòu)建了一個(gè)新的網(wǎng)絡(luò)結(jié)構(gòu)。

YOLO 用 1x1 的卷積核代替了 GooLeNet 的 Inception 模塊來(lái)做降維度。

YOLO 有 24 個(gè)卷積層，然后后面跟著 2 個(gè)全連接層。

這張圖片也可以大致示意最終預(yù)測(cè)的 tensor 的結(jié)構(gòu)。

YOLO 的訓(xùn)練過(guò)程
YOLO 在 ImageNet 上用前 20 個(gè)卷積層和 1 個(gè)全連接層做通用的類(lèi)別識(shí)別訓(xùn)練，并達(dá)到比較高的準(zhǔn)確率。

之后，YOLO 作者在預(yù)訓(xùn)練好的結(jié)構(gòu)上添加了 4 個(gè)卷積層和 1 個(gè)全連接層做目標(biāo)識(shí)別訓(xùn)練。

因?yàn)橄胩岣吣繕?biāo)識(shí)別的整體表現(xiàn)，所以 YOLO 在 ImageNet 預(yù)訓(xùn)練時(shí)，輸入圖片尺寸是 224x224，但在 PASCAL VOC 上做目標(biāo)識(shí)別的專(zhuān)項(xiàng)訓(xùn)練時(shí)，輸入圖片尺寸變成了 448x448

除了最后一層采用線(xiàn)性激活函數(shù)外，其他層都采用 leaky Relu。

YOLO 的 Loss 設(shè)定
我們都知道，采用合適的 loss 對(duì)于訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)而言非常重要。

而我認(rèn)為，只有理解了 YOLO 的 loss 設(shè)計(jì)原則，才算真正理解了 YOLO 算法的核心.

我們知道，一般 Loss 值越低，代表網(wǎng)絡(luò)準(zhǔn)確度越高，訓(xùn)練的越有效，所以訓(xùn)練時(shí)基本上是以減弱 loss 值為目標(biāo)的。

YOLO 作者在訓(xùn)練時(shí)，用 sum-squared error (誤差的平方的和)來(lái)作為 loss 進(jìn)行優(yōu)化。

采用 sum-squared error 是因?yàn)樗菀走M(jìn)行優(yōu)化，但是它也有不好的地方，那就是對(duì)于提高 mAP 的表現(xiàn)有些吃力。

sum-squared error 會(huì)讓 Loss 函數(shù)對(duì)于位置預(yù)測(cè)、類(lèi)別預(yù)測(cè)的誤差權(quán)重一樣。

實(shí)際情況是，YOLO 在每一張圖片上會(huì)預(yù)測(cè) 772=98 個(gè) bbox，但只有很少的 bbox 才包含目標(biāo)，哪些不包含目標(biāo)的 bbox 它們的 confidence 會(huì)在訓(xùn)練過(guò)程中很快變成 0，所以哪些包含了目標(biāo)的網(wǎng)格它們預(yù)測(cè)的 bbox 的梯度會(huì)更加急劇變化，這樣而言，整個(gè)預(yù)測(cè)系統(tǒng)處于不平衡也不穩(wěn)定的狀態(tài)，最終可能出現(xiàn) loss 無(wú)法收斂。

為了，糾正和改善情況，YOLO 的作者調(diào)整了 bbox 的坐標(biāo)誤差和 沒(méi)有包含目標(biāo)時(shí) confidence 的誤差權(quán)重，也可以看做是添加了不同的懲罰系數(shù)，分別是 5 和 0.5。

為什么這樣做呢？

可以這樣理解，整個(gè) YOLO 系統(tǒng)其實(shí)最有效的地方就是那些包含了目標(biāo)中心點(diǎn)的網(wǎng)格它們所預(yù)測(cè)的 2 個(gè) bbox，所以它們這 2 個(gè) bbox 的位置信息就至關(guān)重要，所以它們的坐標(biāo)就不允許它們變化劇烈，所以就需要添加一個(gè)系數(shù)放大它們的誤差，進(jìn)而達(dá)到懲罰的目的。

而沒(méi)有包含目標(biāo)的網(wǎng)格，雖然它們也會(huì)預(yù)測(cè) bbox，也會(huì)有 confidence 的預(yù)測(cè)，但基本等同于無(wú)效，所以可以看做它們對(duì)于整體的 Loss 而言，沒(méi)有那么重要，因此要減弱它們對(duì)于 Loss 的影響，以防止它去干擾正常的包含了目標(biāo)的那些 bbox 的 confidence 表現(xiàn)，畢竟它無(wú)關(guān)緊要。

說(shuō)到這里，我有思考一個(gè)問(wèn)題:

如果要減弱沒(méi)有 object 時(shí)的 confidence 對(duì) loss 整體的影響，為什么不做到極致？讓?xiě)土P系數(shù)由 0.5 變成 0 不更好嗎？

我沒(méi)有標(biāo)準(zhǔn)答案，但我的理解是那樣會(huì)讓 YOLO 這個(gè)系統(tǒng)失衡，喪失了預(yù)測(cè)背景的能力，所以也失去了某種綜合的能力。

sum-squared error 還有一個(gè)問(wèn)題，那就是它會(huì)讓大的 bbox 和小的 bbox 位置誤差敏感度一樣。

比如預(yù)測(cè)一個(gè)小的 bbox，groundtruth 的 width 是 4，它預(yù)測(cè)是 3,那么它的誤差是 1.

再預(yù)測(cè)一個(gè)大的 bbox，groundtruth 的 width 是 100，預(yù)測(cè)值是 99，那么誤差也是 1.

但大家很容易發(fā)現(xiàn)，進(jìn)行小尺寸的 bbox 預(yù)測(cè)時(shí)，誤差更敏感，所以 sum-sqaured error 手段需要改良。

YOLO 采用的是用預(yù)測(cè)值和 groundtruth 各自的平方根做誤差，然后再 sum-sqaured error。

還是用剛才的例子，小的 bbox width prediction = 3,groundtruth = 4，誤差為 0.067。

大的 bbox width prediction = 99,groundtruth = 100，誤差為 0.0025。

所以，完美的解決了這個(gè)問(wèn)題。

最終的 Loss 變成了一個(gè)復(fù)合的 Loss，公式如下： 

需要注意的是，YOLO 每個(gè)網(wǎng)格預(yù)測(cè)兩個(gè) bbox，最終只有 1 個(gè) bbox 來(lái)負(fù)責(zé)代表相應(yīng)的目標(biāo)的 bbox 位置，它們通過(guò) Confidence 比較，也就是 IOU 比較，勝出的是分?jǐn)?shù)更高的那個(gè)，進(jìn)行 loss 計(jì)算時(shí)，也是這個(gè) bbox 才能參與。



其它具體的訓(xùn)練策略如下：

第一個(gè) epoch,學(xué)習(xí)率從 0.001 緩慢變成 0.01.

接下來(lái)的 75 個(gè) epoch ，學(xué)習(xí)率固定為 0.01

之后又用 0.001 訓(xùn)練 30 個(gè) epoch

最后用 0.0001 訓(xùn)練 40 個(gè) epoch

為了避免過(guò)擬合，YOLO 訓(xùn)練時(shí)有采用 dropout 和數(shù)據(jù)增強(qiáng)手段。

總結(jié)
YOLO v1 也有和當(dāng)年其它杰出的目標(biāo)檢測(cè)系統(tǒng)做對(duì)比，但在今天來(lái)看，這個(gè)并不十分重要，重要的是我們需要理解 YOLO 快的原因。

YOLO 就是一個(gè)撒漁網(wǎng)的捕魚(yú)過(guò)程，一次性搞定所有的目標(biāo)定位。

YOLO 快的原因在于比較粗的粒度將輸入圖片劃分網(wǎng)格，然后做預(yù)測(cè)。

YOLO 的算法精髓都體現(xiàn)在它的 Loss 設(shè)計(jì)上及作者如何針對(duì)問(wèn)題改進(jìn) Loss，這種思考問(wèn)題的方式才是最值得我們學(xué)習(xí)的。