yolov1总结

• https://blog.csdn.net/u014380165/article/details/72616238
• https://blog.csdn.net/m0_37192554/article/details/81092514

---

Yolov1 流程图

假设输入图像 [1,3,448,448]–>backbone Net–>[1,2048,7,7]–>[1,B(1+4)+C,7,7]
则有 S=7, 取B=2，以PASCAL VOC数据为例有20个类别，则C=20

[[1,B(1+4)+C,7,7]]=[1,30,7,7]

这30列的具体意义，如下图所示

方式一

---

也可以按这种方式解析，只需保证训练与推理时使用同一种解析方式

方式二

---

算法首先把输入图像划分成S*S的格子，然后对每个格子都预测B个bounding boxes，每个bounding box都包含5个预测值：x,y,w,h和confidence。x,y就是ground truth的中心坐标，与grid cell左上角的偏差/格网大小使得范围变成0到1；w和h进行归一化（分别除以图像的w和h，这样最后的w和h就在0到1范围）。

输入图像大小 h=448,w=448
每个grid cell大小为 h_gc=w_gc=448//S=448//7=64
假设ground truth 的boxes为 [100,200,300,400] x1,y1,x2,y2的格式，

• 1.转成x0,y0,w,h格式为[(x1+x2)/2,(y1+y2)/2,(x2-x1),(y2-y1)]=[200.,300.,200,200]，

• 2.计算其中心点落在哪个grid cell里 $200/64 \approx 3.125$ , $300/64\approx 4.6875$，则对应的grid cell 为(3,4)-(4,5)，也就是由该grid cell负责预测该ground truth

• 3.将x0,y0,w_gt,h_gt 归一化到0~1范围，(x0-3*64)/w_gc,(y0-4*64)/h_gc,w_gt/w,h_gt/h 得到为0.125,0.6875，0.4464，0.4464

• 4.如何得到对应的预测box

  • 先解析 feature:[1,30,7,7]这些列的含义，按方式一来解析
  • pred_box1=feature[1,0:5,:,:]=[5,7,7]=reshape [7,7,5]，
  • pred_box2=feature[1,5:10,:,:]=[5,7,7]=reshape [7,7,5]，
  • pred_cls=feature[1,10:,:,:]=[20,7,7]=reshape [7,7,20]

• 5.该ground truth对应的预测2个框为

  • pred_box1=pred_box1[3:4,4:5,5]
  • pred_box2=pred_box2[3:4,4:5,5]
  • 按3说的重新反转成x1,y1,x2,y2的格式在与ground truth计算IOU值分别为IOU_1,IOU_2
  • 如果IOU_1>IOU_2，则取pred_box1为预测的box（其置信度为其与对应的gt_box的IOU值），pred_box2也当做没目标处理(其置信度为0)
  • 推理时做：每个bounding box的confidence和每个类别的score相乘，得到每个bounding box属于哪一类的confidence score ; pred_cls=pred_cls*pred_box1[:,:,-1](最后一个为 box的confidence)

来看看 S×S×30 的数据块的具体含义。

• S×S是图像位置，比如第一行第二列的网格，回到原图的位置也是如此。（有全连接层的时候，其实随意，只要你预测时每个位置的网格对应你编码时的网格就可以。全卷积层由于每个点的感受野的问题，最好是一一对应，否则原理上说不通，效果应该会差很多）

• 30的通道上分别是两个box的cx，cy，w，h，confidence，这就占了10个，再加上20个类别正好是30

• cxcy表示物体的中心点坐标与对应网格左上角的偏差，注意归一化到0-1，需要除以网格大小；wh是物体相对于图片的大小，也在0-1之间；confidence是 P(object)×IOUpredtruth，其中IOU在训练过程中是在线计算的

• 首先要明确两个概念，一是网格中有无目标，二是网格中的一个目标只有一个box负责（responsible）另一个box也算没有目标，根据在线计算IOU的大小确定哪一个负责。

• 含有目标的confidence先设置为 $1*IOU^{target}$，用于区别不含目标的（没有目标和iou阈值小的都是0），IOU target在线计算）。

loss 计算

第三、四行表示bounding box的confidence损失，就像前面所说的，分成grid cell包含与不包含object两种情况。这里注意下因为每个grid cell包含两个bounding box，所以只有当ground truth 和该网格中的某个bounding box的IOU值最大的时候，才计算这项。

因为很多grid cell是不包含物体的，这样的话很多grid cell的confidence score为0。所以采用设置不同权重方式来解决，一方面提高localization error的权重，另一方面降低没有object的box的confidence loss权值，loss权重分别是5和0.5。而对于包含object的box的confidence loss权值还是原来的1。

需要注意的

• 1.yolo不需要像fasterrcnn那样事先生成anchor，而是自己生成

• 2.推理时做：每个bounding box的confidence和每个类别的score相乘，得到每个bounding box属于哪一类的confidence score。

• 3.一个grid cell中是否有object怎么界定？
  首先要明白grid cell的含义，以文中77为例，这个size其实就是对输入图像（假设是224224）不断提取特征然后sample得到的（缩小了32倍），然后就是把输入图像划分成7*7个grid cell，这样输入图像中的32个像素点就对应一个grid cell。回归正题，那么我们有每个object的标注信息，也就是知道每个object的中心点坐标在输入图像的哪个位置，那么不就相当于知道了每个object的中心点坐标属于哪个grid cell了吗，而只要object的中心点坐标落在哪个grid cell中，这个object就由哪个grid cell负责预测，也就是该grid cell包含这个object。另外由于一个grid cell会预测两个bounding box，实际上只有一个bounding box是用来预测属于该grid cell的object的，因为这两个bounding box到底哪个来预测呢？答案是：和该object的ground truth的IOU值最大的bounding box。

• 4.假设预测的值为pred[m,30], target为boxes[n,4]，labels[n,20] 不包括背景（转成one-hot）

  • 反算出boxes中心点落在grid ceil的网格，有目标的mask[n,] 没有目标no_mask[m-n,]
  • loss_conf: mse(pred[n,4],1)+mse(pred[m-n,4],0)*0.5
  • loss_boxes: loss_boxes=mes(pred[n,0],boxes[n,0)+mes(pred[n,1],boxes[n,1])+mse(sqrt(pred[n,2]),sqrt(boxes[n,2]))+mse(sqrt(pred[n,3]),sqrt(boxes[n,3]))
loss_boxes=loss_boxes*5
  • loss_cls:mse(pred[n,-20:],labels[n,20])
  • loss=loss_conf+loss_boxes+loss_cls

• 5.推理时score=pred[:,4]*pred[:,-20:]