人工智能学习07--pytorch21--目标检测：YOLO系列理论合集(YOLOv1~v3)

如果直接看yolov3论文的话，会发现有好多知识点没见过，所以跟着视频从头学一下。

学习up主霹雳吧啦Wz大佬的学习方法：
想学某个网络的代码时：到网上搜这个网络的讲解 → 对这个网络大概有了印象 → 读论文原文（
很多细节都要依照原论文来实现，自己看原论文十分重要，发现更多原来没有发现的知识点）
→ 读代码 （
在github上找大牛实现了的源代码，挑选自己喜欢的框架、作者经常更新的代码仓库、标star比较多的，来克隆代码 进行学习
）
克隆第一步：根据作者的readme将作者代码跑通；
克隆第二步：分析作者代码（可以先看：
①网络搭建部分，结合原论文比较好理解；
②数据预处理、损失计算（损失函数）；
看完以上基本上就掌握了网络的核心知识点
）
看代码时需要结合原论文进行参考。有时在读原论文时，有些地方不太好理解，但如果结合别人的代码，也可以更好地理解。

yolo v1

慢于SSD，但是比Faster RCNN快（精度比Faster RCNN低）

一般S取7（每行每列分成7等份）
如果某个object的中心落在这个网格，那么这个网格就负责预测这个object。

黄框就负责预测狗这个目标

1. B一般取2，S一般取7。
   confidence：在YOLO系列中独有的参数。
   数据集PASCAL VOC，共20个类别 C=20，
   grid cell是7*7大小的 S=7，
   Bounding box取B=2，
   预测的参数个数 7 * 7 * 30：
   30 = 2个框 * 每个框5个参数（4个位置+1个confidence） +20类
   
   通过YOLOV1网络传播，最终得到7 * 7，深度为30的矩阵。
   对于沿着深度方向的每一行：
   2组bounding box 的参数，该网格预测的c个类别分数。
2. 每个bounding box由5个值组成：x，y（预测框中心坐标，数值在0 ~ 1之间（相对于grid cell而言）），w，h（数值在0 ~ 1之间，也是相对值，是相对于整个图像而言的），confidence。
   相对值比实际值，相对值更方便运算（0 ~ 1之间的数字对训练有好处，收敛快，且不容易出现极端值）。
3. confidence 预测bounding box与真实bounding box之间的交并比。
   与Faster RCNN和SSD预测的目标概率是不一样的。

网络结构：

1. 7 * 7卷积层，步距为2，通过一个maxpooling最大池化下采样（步距为2）
2. 3 * 3卷积层，步距1（没有标s，那么步距就是默认为1），通过一个maxpooling最大池化下采样
3. 通过1 * 1的卷积层、3 * 3的卷积层、1 * 1的卷积层、3 * 3的卷积层、……
4. 将1 * 1的卷积层、3 * 3的卷积层重复四遍，……
5. 将……重复两遍，再……
6. 再通过两个3 * 3的卷积层，得到 7* 7,深度为1024的特征矩阵。
7. Conn.Layer ①transpose不一定有，主要根据tensor通道排列顺序决定的。②展平处理。③通过节点个数为4096的全连接层连接。
   →得到一个4096的向量。
8. Conn.Layer ①通过一个节点个数为1470（7x7x30）的全连接层②通过reshape处理，得到7 * 7，深度为30的特征矩阵。
   

损失函数

三部分计算。使用误差平方和求解。

对宽和高开根号处理：
绿色：真实目标边界框。蓝色：预测得到的目标边界框。
假设对于大目标和小目标，预测边界框相对真实边界框都有偏移（假设一样）。
可以发现对小目标的预测结果很差，而对大目标的预测结果还行。（不同尺度IOU不一样）所以不能用真实宽度-预测宽度。
（
虽然是xy的偏移，但这种大小box不同的偏移差异却是wh带来的。
）

偏移相同的距离，小目标的差值要更大一些才行，这样会关注更多的小目标定位损失。

（
正样本置信度损失的回归值，论文里好像是IoU？
）

存在问题

对群体性的小目标检测很差。
因为在yolov1的思想中，对于每个cell，只预测两个bounding box，而且这两个bounding box属于同一类别。
主要错误原因来自于定位不准确。直接预测坐标信息，而不是像FasterRCNN或SSD那样，预测相对anchor的回归参数（但是从yolov2开始就改成这样预测相对anchor的回归参数了。）

yolo v2

七种尝试及其所带来的效果

Batch Normalization

Yolo v1没有使用BN层，而Yolo v2在每个卷积层后面都加上了BN层。
添加BN层后，对训练和收敛都有很大帮助，同时也减少了一系列的正则化处理。
对模型起到正则化作用。
可以移除掉dropout操作（减轻过拟合）。

High Resolution Classifier

采用更高分辨率的分类器。
Yolo v1 224x224的输入，Yolo v2 448x448。

Convolutional With Anchor Boxes

使用基于Anchor的目标边界框预测。
Yolo v1预测目标边界框：直接预测目标高度宽度以及中心坐标。定位效果差。
Yolo v2采用基于Anchor偏移的预测效果相比直接预测坐标，可以简化目标边界框预测问题，也可以使网络更加容易去学习和收敛。
使用后mAP有微小下降，但是召回率（预测正确的样本在总样本占的比例）大大提升（模型拥有更多提升空间）。

Dimension Clusters

anchor的聚类
使用Faster RCNN和SSD时作者没有明确给出为什么要采用作者给定的那些预设Anchor（Faster RCNN）或者defult box（SSD）。SSD中有给公式，但是用处不大。反正都没说怎么得到那个尺寸的，只说是根据工程经验确定的。
拿到新的网络该如何选择预设anchor或者default box？
Yolo v2采用k-means聚类方法获得anchor，称为prior。（Yolo v3中所有的priors也是通过聚类的方法获得的）

Direct location prediction

目标边界框预测（直接预测边界框中心坐标）
大部分不稳定因素在于预测边界框的中心坐标(x，y)。
论文中给出了Faster RCNN边界框预测公式：由于公式没有受到限制，所以基于anchor预测出的目标可能会出现在图片的任何一个地方。
yolo对图片划分了区域，而Faster RCNN中并没有。所以如果用Faster RCNN的预测方法会有很大问题。


yolov2对此改进：
如果将anchor设置在grid cell 的左上角，坐标（cx，cy）。预测的bounding box 的prior的宽度高度为pw、ph。
tx：关于anchor的偏移量，通过一个函数对它进行限制：
σ：logistic activation → sigmoid函数（将输入映射到0~1之间）。

如此一来，预测框的中心点只会出现在grid cell之间。


区域外的目标就不去管了。
由于限制了坐标信息，所以网络更容易进行学习，也更加稳定。

Fine-Grained Features

预测特征图结合一些更底层的信息。
**底层信息包含更多的图像细节，而这些细节就是在检测小目标时所需要的。**直接用高层的信息检测小目标的结果很差。
结合方式：通过passthrough layer来实现。
大佬太牛了：

passthrough layer如何将两个大小不同的特征图进行融合？举例：
对4x4的特征矩阵进行分割，分割成4个小方格（相同的位置用相同的颜色标注）。将同样颜色的数值放在同一个特征图中。

1个4x4的特征图 → 4个2x2的特征图，深度x4。

融合过程：

1*1卷积核可以用来缩减通道数减少参数量。

通过1x1的卷积层后，特征图的深度变为64。
26x26x512 → 26x26x64
通过passthrough layer：26x26x64 → 13（26➗2）x13x256（64x4）
将两个矩阵（13x13x256、13x13x1024）在深度方向进行拼接（在深度上相加） → 13x13x1280。

Multi-Scale Training

多尺度训练
在训练过程中，替换掉固定的输入尺寸（每个网络输入图像的尺寸都是固定的，要么是416x416，要么是480x480，要么是544
x544）

为了提升yolov2的鲁棒性，作者把图片缩放到不同的尺度来训练模型。
如何调整图像尺寸：每经过10个batch，就对输入尺寸进行随机选择。由于yolov2网络的缩放因子是32（32：

）所以采用的一系列的输入网络的尺寸都是32的整数倍。从这些中随机选取几个尺寸作为输入尺寸。
（
弹幕：yolov2网络是全卷积结构，输入大小不受限，不会改变网络结构
）

Backbone骨干网络 Darknet-19

Darknet-19：19个卷积层
表里224，实际输入时采用448x448作为高分辨率分类器进行训练。此处224x224是与之前别的网络进行对比。

（
top1：输出的所有类别准确率排序后第一名是正确的概率；
top5：输出的所有类别准确率排序后前五名包含正确类别的概率（5个有1个就算数）；

top1指取最大概率模型预测判断正确才算正确，top5指概率前五只要有判断正确的就视为正确
）

框架

对于检测网络，移除了最后一个卷积层。保留了卷积核大小3x3，个数1024的卷积层（下图蓝色框上面那个）。

对应这个：

在后面添加3个3x3的卷积层，卷积核个数都为1024的卷积层。在后面接上一个1x1的卷积层，它输出的个数就是所需检测的目标参数。

对应VOC数据集，预测5个bounding box，每个bounding box会有5个参数（同yolov1中，偏移信息：xywh，+confidence（预测目标与真实目标的iou值））。由于采用的是VOC数据集，所以要预测20个类别对于每个bounding box而言的分数，所以最后一个卷积层采用125个卷积核。

x 5（采用5个anchor）
5（5个参数）+20（每个anchor分别对应20个类别的概率分数）=25
5 x 25 = 125


（
之前是直接预测，这里是基于anchor的偏移预测
）

yolo v3

https://blog.csdn.net/qq_37541097/article/details/81214953?ops_request_misc=&request_id=117f5f0e641e4e41a7963ed4a8c1e0a7&biz_id=&utm_medium=distribute.pc_search_result.none-task-blog-2_blogkoosearch~default-1-81214953-null-null.268^v1control&utm_term=yolov3&spm=1018.2226.3001.4450

主要是整合了当前比较主流的网络的优点

backbone的修改

FPS 每秒钟推理多少张。
Top1：最大概率的就是预测目标
Top5：预测概率前5里面有正确的标签

框：残差结构。
为什么DarkNet-53比ResNet一些深层网络效果更好？
都是通过堆叠一系列残差结构来得到最终网络。但是DarkNet-53中没有最大池化层，所有的下采样几乎都是通过卷积层实现。
如：步距为2，通过之后所有的高和宽都缩减为原来的一半。
通过卷积层替换原来的最大池化下采样 → 检测效果提升。


yolov3在3个预测特征层上进行预测（使用3种尺度）

yolo中称预设的目标边界框：bounding box prior，与之前讲的anchor、SSD的default box性质都差不多。
N：预测特征层大小，13或者26或者52.
3：每个特征层上预测3个尺度
每种尺度上预测4+1+80个参数
80：COCO数据集80个类别
4：对于每个anchor而言，预测4个偏移参数
1：yolo中独有的confidence score

目标边界框的预测

采用与yolov2中一样的机制，与ssd与faster rcnn中的不一样。
ssd与faster rcnn中的：
网络预测的关于目标中心点的回归参数是相对于anchor而言的。
在yolov3中：关于目标中心点的回归参数是相对于当前cell左上角点的。

最后通过一个1 * 1的卷积层在最终的预测特征层上预测所有的相关信息。
yolov3：3个预测特征层，每个特征曾采用了3个不同的模板。

假设上面这个图是针对某一预测特征层而言，1 * 1的卷积层滑动到红框这个窗口时，针对每一个anchor模板都会预测4个回归参数（tx ty tw th）+1个objectness参数+对应每个类别的分数score。
虚线框：anchor。pw：anchor宽度。ph：anchor高度。
蓝框：网络预测的最终位置以及大小。
计算得到的bx和by范围都是在grid cell之间的（一个grid cell边长是1），σ函数将范围限制在0~1.

正负样本匹配

原文中，针对每一个ground truth，都会分配一个bounding box prior（正样本）。
→ 一个图片中有几个gt目标就有几个正样本。
分配原则：将与gt重合程度最大的bounding box prior作为正样本。
当bounding box与gt重合超过了某一个阈值，但是重合程度不是最大，则直接丢弃这个预测结果。
如果bounding box prior没有被分配给某个gt（该bounding box prior不是正样本），则没有定位损失，也没有类别损失，则只有confidence score（objectness）。

按照论文中写的这样去分配正样本，则发现正样本数量特别少。对照U版（ultralytics公司？）YOLOV3网络看一下源码发现：

如果左边这三个IOU都大于阈值，是否是把GT同时分配给三个anchor？
是的，则在当前grid cell中对应的三个anchor模板都被是做正样本。正因如此，才可以扩充正样本的数量。

损失的计算

yolov3论文中没有给出具体公式

1. 置信度损失
   针对预测得到的confidence score
   针对每个bounding box所预测的objectness使用的是逻辑回归。一般使用的逻辑回归就是二值交叉熵损失（binary cross entropy），yolov3源码也是使用的这个。
   
   原文中：oi取0或者1.

2. 类别损失
   也是用的二值交叉熵损失
   
   
   
   对于这个Binary Cross Entropy公式，每个人上网查到的可能都不一样。这里up主通过实践检验来检验公式是否正确。
   pytorch官方的：
   
   自己定义的：
   
   运行后结果：
   
   注意：
   

3. 定位损失
   
   gx gy gw gh将gt映射在grid网格中得到的
   gx hat：用gx减去对应grid cell左上角的x坐标cx后得到
   gwhat ghhat：gw gh是真实的宽度和高度，要反向计算它们所对应的回归参数：除以pw ph，两边取ln
   了解即可，后面的yolov3 spp和yolov4v5采用的定位损失都不是这种（是CIOU loss）。