YOLO系列是基于深度學習的回歸方法。

RCNN， Fast-RCNN，F(xiàn)aster-RCNN是基于深度學習的分類方法。 YOLO官網(wǎng)：https://github.com/pjreddie/darknet

YOLOV1

論文下載：https://arxiv.org/abs/1506.02640代碼下載：https://github.com/pjreddie/darknet 核心思想：將整張圖片作為網(wǎng)絡的輸入（類似于Faster-RCNN），直接在輸出層對BBox的位置和類別進行回歸。

實現(xiàn)方法

將一幅圖像分成SxS個網(wǎng)格(grid cell)，如果某個object的中心 落在這個網(wǎng)格中，則這個網(wǎng)格就負責預測這個object。

每個網(wǎng)絡需要預測B個BBox的位置信息和confidence（置信度）信息，一個BBox對應著四個位置信息和一個confidence信息。confidence代表了所預測的box中含有object的置信度和這個box預測的有多準兩重信息：

其中如果有object落在一個grid cell里，第一項取1，否則取0。第二項是預測的bounding box和實際的groundtruth之間的IoU值。

每個bounding box要預測(x, y, w, h)和confidence共5個值，每個網(wǎng)格還要預測一個類別信息，記為C類。則SxS個網(wǎng)格，每個網(wǎng)格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。（注意：class信息是針對每個網(wǎng)格的，confidence信息是針對每個bounding box的。）

舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。整個網(wǎng)絡結構如下圖所示：

在test的時候，每個網(wǎng)格預測的class信息和bounding box預測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:

等式左邊第一項就是每個網(wǎng)格預測的類別信息，第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬于某一類的概率，也有該box準確度的信息。

得到每個box的class-specific confidence score以后，設置閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結果。

損失函數(shù)

在實現(xiàn)中，最主要的就是怎么設計損失函數(shù)，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部采用了sum-squared error loss來做這件事。這種做法存在以下幾個問題：

第一，8維的localization error和20維的classification error同等重要顯然是不合理的；

第二，如果一個網(wǎng)格中沒有object（一幅圖中這種網(wǎng)格很多），那么就會將這些網(wǎng)格中的box的confidence push到0，相比于較少的有object的網(wǎng)格，這種做法是overpowering的，這會導致網(wǎng)絡不穩(wěn)定甚至發(fā)散。

解決辦法：

更重視8維的坐標預測，給這些損失前面賦予更大的loss weight。

對沒有object的box的confidence loss，賦予小的loss weight。

有object的box的confidence loss和類別的loss的loss weight正常取1。

對不同大小的box預測中，相比于大box預測偏一點，小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。 為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發(fā)生偏移時，反應到y(tǒng)軸上相比大box要大。（也是個近似逼近方式）

一個網(wǎng)格預測多個box，希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。 最后整個的損失函數(shù)如下所示：

這個損失函數(shù)中：

只有當某個網(wǎng)格中有object的時候才對classification error進行懲罰。

只有當某個box predictor對某個ground truth box負責的時候，才會對box的coordinate error進行懲罰，而對哪個ground truth box負責就看其預測值和ground truth box的IoU是不是在那個cell的所有box中最大。

其他細節(jié)，例如使用激活函數(shù)使用leak RELU，模型用ImageNet預訓練等等

缺點

由于輸出層為全連接層，因此在檢測時，YOLO訓練模型只支持與訓練圖像相同的輸入分辨率。

雖然每個格子可以預測B個bounding box，但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出，即每個格子最多只預測出一個物體。當物體占畫面比例較小，如圖像中包含畜群或鳥群時，每個格子包含多個物體，但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。

YOLO loss函數(shù)中，大物體IOU誤差和小物體IOU誤差對網(wǎng)絡訓練中l(wèi)oss貢獻值接近（雖然采用求平方根方式，但沒有根本解決問題）。因此，對于小物體，小的IOU誤差也會對網(wǎng)絡優(yōu)化過程造成很大的影響，從而降低了物體檢測的定位準確性。

YOLOv2（YOLO9000）

文章提出了一種新的訓練方法–聯(lián)合訓練算法，這種算法可以把這兩種的數(shù)據(jù)集混合到一起。使用一種分層的觀點對物體進行分類，用巨量的分類數(shù)據(jù)集數(shù)據(jù)來擴充檢測數(shù)據(jù)集，從而把兩種不同的數(shù)據(jù)集混合起來。 聯(lián)合訓練算法的基本思路就是：同時在檢測數(shù)據(jù)集和分類數(shù)據(jù)集上訓練物體檢測器（Object Detectors ），用檢測數(shù)據(jù)集的數(shù)據(jù)學習物體的準確位置，用分類數(shù)據(jù)集的數(shù)據(jù)來增加分類的類別量、提升健壯性。YOLO9000就是使用聯(lián)合訓練算法訓練出來的，他擁有9000類的分類信息，這些分類信息學習自ImageNet分類數(shù)據(jù)集，而物體位置檢測則學習自COCO檢測數(shù)據(jù)集。

改進

Batch Normalization使用Batch Normalization對網(wǎng)絡進行優(yōu)化，讓網(wǎng)絡提高了收斂性，同時還消除了對其他形式的正則化（regularization）的依賴。通過對YOLO的每一個卷積層增加Batch Normalization，最終使得mAP提高了2%，同時還使model正則化。使用Batch Normalization可以從model中去掉Dropout，而不會產(chǎn)生過擬合。High resolution classifier目前業(yè)界標準的檢測方法，都要先把分類器（classi?er）放在ImageNet上進行預訓練。從Alexnet開始，大多數(shù)的分類器都運行在小于256*256的圖片上。而現(xiàn)在YOLO從224*224增加到了448*448，這就意味著網(wǎng)絡需要適應新的輸入分辨率。

為了適應新的分辨率，YOLO v2的分類網(wǎng)絡以448*448的分辨率先在ImageNet上進行Fine Tune，F(xiàn)ine Tune10個epochs，讓網(wǎng)絡有時間調(diào)整他的濾波器（filters），好讓其能更好的運行在新分辨率上，還需要調(diào)優(yōu)用于檢測的Resulting Network。最終通過使用高分辨率，mAP提升了4%。Convolution with anchor boxesYOLOV1包含有全連接層，從而能直接預測Bounding Boxes的坐標值。Faster R-CNN的方法只用卷積層與Region Proposal Network來預測Anchor Box的偏移值與置信度，而不是直接預測坐標值。作者發(fā)現(xiàn)通過預測偏移量而不是坐標值能夠簡化問題，讓神經(jīng)網(wǎng)絡學習起來更容易。

所以最終YOLO去掉了全連接層，使用Anchor Boxes來預測 Bounding Boxes。作者去掉了網(wǎng)絡中一個Pooling層，這讓卷積層的輸出能有更高的分辨率。收縮網(wǎng)絡讓其運行在416*416而不是448*448。由于圖片中的物體都傾向于出現(xiàn)在圖片的中心位置，特別是那種比較大的物體，所以有一個單獨位于物體中心的位置用于預測這些物體。YOLO的卷積層采用32這個值來下采樣圖片，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的Feature Map。

使用Anchor Box會讓精確度稍微下降，但用了它能讓YOLO能預測出大于一千個框，同時recall達到88%，mAP達到69.2%。Dimension clusters之前Anchor Box的尺寸是手動選擇的，所以尺寸還有優(yōu)化的余地。為了優(yōu)化，在訓練集（training set）Bounding Boxes上跑了一下k-means聚類，來找到一個比較好的值。 如果我們用標準的歐式距離的k-means，尺寸大的框比小框產(chǎn)生更多的錯誤。因為我們的目的是提高IOU分數(shù)，這依賴于Box的大小，所以距離度量的使用：

通過分析實驗結果（Figure 2），左圖：在model復雜性與high recall之間權衡之后，選擇聚類分類數(shù)K=5。右圖：是聚類的中心，大多數(shù)是高瘦的Box。 Table1是說明用K-means選擇Anchor Boxes時，當Cluster IOU選擇值為5時，AVG IOU的值是61，這個值要比不用聚類的方法的60.9要高。選擇值為9的時候，AVG IOU更有顯著提高。總之就是說明用聚類的方法是有效果的。

Direct location prediction

用Anchor Box的方法，會讓model變得不穩(wěn)定，尤其是在最開始的幾次迭代的時候。大多數(shù)不穩(wěn)定因素產(chǎn)生自預測Box的（x,y）位置的時候。按照之前YOLO的方法，網(wǎng)絡不會預測偏移量，而是根據(jù)YOLO中的網(wǎng)格單元的位置來預測坐標，這就讓Ground Truth的值介于0到1之間。而為了讓網(wǎng)絡的結果能落在這一范圍內(nèi)，網(wǎng)絡使用一個 Logistic Activation來對于網(wǎng)絡預測結果進行限制，讓結果介于0到1之間。網(wǎng)絡在每一個網(wǎng)格單元中預測出5個Bounding Boxes，每個Bounding Boxes有五個坐標值tx，ty，tw，th，t0，他們的關系見下圖（Figure3）。假設一個網(wǎng)格單元對于圖片左上角的偏移量是cx，cy，Bounding Boxes Prior的寬度和高度是pw，ph，那么預測的結果見下圖右面的公式：

因為使用了限制讓數(shù)值變得參數(shù)化，也讓網(wǎng)絡更容易學習、更穩(wěn)定。Fine-Grained FeaturesYOLO修改后的Feature Map大小為13*13，這個尺寸對檢測圖片中尺寸大物體來說足夠了，同時使用這種細粒度的特征對定位小物體的位置可能也有好處。Faster R-CNN、SSD都使用不同尺寸的Feature Map來取得不同范圍的分辨率，而YOLO采取了不同的方法，YOLO加上了一個Passthrough Layer來取得之前的某個26*26分辨率的層的特征。

這個Passthrough layer能夠把高分辨率特征與低分辨率特征聯(lián)系在一起，聯(lián)系起來的方法是把相鄰的特征堆積在不同的Channel之中，這一方法類似與Resnet的Identity Mapping，從而把26*26*512變成13*13*2048。YOLO中的檢測器位于擴展后（expanded ）的Feature Map的上方，所以他能取得細粒度的特征信息，這提升了YOLO 1%的性能。Multi-ScaleTraining作者希望YOLO v2能健壯的運行于不同尺寸的圖片之上，所以把這一想法用于訓練model中。 區(qū)別于之前的補全圖片的尺寸的方法，YOLO v2每迭代幾次都會改變網(wǎng)絡參數(shù)。

每10個Batch，網(wǎng)絡會隨機地選擇一個新的圖片尺寸，由于使用了下采樣參數(shù)是32，所以不同的尺寸大小也選擇為32的倍數(shù){320，352…..608}，最小320*320，最大608*608，網(wǎng)絡會自動改變尺寸，并繼續(xù)訓練的過程。 這一政策讓網(wǎng)絡在不同的輸入尺寸上都能達到一個很好的預測效果，同一網(wǎng)絡能在不同分辨率上進行檢測。當輸入圖片尺寸比較小的時候跑的比較快，輸入圖片尺寸比較大的時候精度高，所以你可以在YOLO v2的速度和精度上進行權衡。 Figure4，Table 3：在voc2007上的速度與精度

YOLOV3

YOLO v3的模型比之前的模型復雜了不少，可以通過改變模型結構的大小來權衡速度與精度。 速度對比如下：

簡而言之，YOLOv3 的先驗檢測（Prior detection）系統(tǒng)將分類器或定位器重新用于執(zhí)行檢測任務。他們將模型應用于圖像的多個位置和尺度。而那些評分較高的區(qū)域就可以視為檢測結果。此外，相對于其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經(jīng)網(wǎng)絡應用于整張圖像，該網(wǎng)絡將圖像劃分為不同的區(qū)域，因而預測每一塊區(qū)域的邊界框和概率，這些邊界框會通過預測的概率加權。我們的模型相比于基于分類器的系統(tǒng)有一些優(yōu)勢。它在測試時會查看整個圖像，所以它的預測利用了圖像中的全局信息。與需要數(shù)千張單一目標圖像的 R-CNN 不同，它通過單一網(wǎng)絡評估進行預測。這令 YOLOv3 非常快，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

改進之處

多尺度預測 （類FPN）

更好的基礎分類網(wǎng)絡（類ResNet）和分類器 darknet-53,見下圖。

分類器-類別預測。

YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

Softmax使得每個框分配一個類別（score最大的一個），而對于Open Images這種數(shù)據(jù)集，目標可能有重疊的類別標簽，因此Softmax不適用于多標簽分類。

Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。

分類損失采用binary cross-entropy loss。

多尺度預測

每種尺度預測3個box, anchor的設計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3個尺度.

尺度1: 在基礎網(wǎng)絡之后添加一些卷積層再輸出box信息.

尺度2: 從尺度1中的倒數(shù)第二層的卷積層上采樣(x2)再與最后一個16x16大小的特征圖相加,再次通過多個卷積后輸出box信息.相比尺度1變大兩倍.

尺度3: 與尺度2類似,使用了32x32大小的特征圖.

參見網(wǎng)絡結構定義文件https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg 基礎網(wǎng)絡 Darknet-53

darknet-53

仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.對比如下:

主干架構的性能對比

檢測結構如下：

YOLOv3在mAP@0.5及小目標APs上具有不錯的結果,但隨著IOU的增大,性能下降,說明YOLOv3不能很好地與ground truth切合.

邊框預測

圖 2：帶有維度先驗和定位預測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，并使用 Sigmoid 函數(shù)預測邊界框相對于濾波器應用位置的中心坐標。 仍采用之前的logis，其中cx,cy是網(wǎng)格的坐標偏移量,pw,ph是預設的anchor box的邊長.最終得到的邊框坐標值是b*,而網(wǎng)絡學習目標是t*，用sigmod函數(shù)、指數(shù)轉(zhuǎn)換。優(yōu)點

快速,pipline簡單.

背景誤檢率低。

通用性強。YOLO對于藝術類作品中的物體檢測同樣適用。它對非自然圖像物體的檢測率遠遠高于DPM和RCNN系列檢測方法。

但相比RCNN系列物體檢測方法，YOLO具有以下缺點：

識別物體位置精準性差。

召回率低。在每個網(wǎng)格中預測兩個box這種約束方式減少了對同一目標的多次檢測(R-CNN使用的region proposal方式重疊較多),相比R-CNN使用Selective Search產(chǎn)生2000個proposal（RCNN測試時每張超過40秒）,yolo僅使用7x7x2個.

YOLOV4

YOLOv4: Optimal Speed and Accuracy of Object Detection 論文：https://arxiv.org/abs/2004.10934 代碼：https://github.com/AlexeyAB/darknet YOLOv4！

YOLOv4 在COCO上，可達43.5％ AP，速度高達 65 FPS！ YOLOv4的特點是集大成者，俗稱堆料。但最終達到這么高的性能，一定是不斷嘗試、不斷堆料、不斷調(diào)參的結果，給作者點贊。下面看看堆了哪些料：

Weighted-Residual-Connections (WRC)

Cross-Stage-Partial-connections (CSP)

Cross mini-Batch Normalization (CmBN)

Self-adversarial-training (SAT)

Mish-activation

Mosaic data augmentation

CmBN

DropBlock regularization

CIoU loss

本文的主要貢獻如下： 1. 提出了一種高效而強大的目標檢測模型。它使每個人都可以使用1080 Ti或2080 Ti GPU 訓練超快速和準確的目標檢測器（牛逼?。?。 2. 在檢測器訓練期間，驗證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。 3. 改進了SOTA的方法，使它們更有效，更適合單GPU訓練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標檢測器框架進行拆分：input、backbone、neck 和 head. 具體如下圖所示：

對于GPU，作者在卷積層中使用：CSPResNeXt50 / CSPDarknet53

對于VPU，作者使用分組卷積，但避免使用（SE）塊-具體來說，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目標是在輸入網(wǎng)絡分辨率，卷積層數(shù)，參數(shù)數(shù)量和層輸出（filters）的數(shù)量之間找到最佳平衡。 總結一下YOLOv4框架：

Backbone：CSPDarknet53

Neck：SPP，PAN

Head：YOLOv3

YOLOv4 =CSPDarknet53+SPP+PAN+YOLOv3 其中YOLOv4用到相當多的技巧：

用于backbone的BoF：CutMix和Mosaic數(shù)據(jù)增強，DropBlock正則化，Class label smoothing

用于backbone的BoS：Mish激活函數(shù)，CSP，MiWRC

用于檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic數(shù)據(jù)增強，Self-Adversarial 訓練，消除網(wǎng)格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超參數(shù)，Random training shapes

用于檢測器的Bos：Mish激活函數(shù)，SPP，SAM，PAN，DIoU-NMS

看看YOLOv4部分組件：

感受一下YOLOv4實驗的充分性（調(diào)參的藝術）:

感受一下性能炸裂的YOLOv4實驗結果:

YOLO v.s Faster R-CNN

1.統(tǒng)一網(wǎng)絡:YOLO沒有顯示求取region proposal的過程。Faster R-CNN中盡管RPN與fast rcnn共享卷積層，但是在模型訓練過程中，需要反復訓練RPN網(wǎng)絡和fast rcnn網(wǎng)絡.相對于R-CNN系列的"看兩眼"(候選框提取與分類),YOLO只需要Look Once. 2. YOLO統(tǒng)一為一個回歸問題，而R-CNN將檢測結果分為兩部分求解：物體類別（分類問題），物體位置即bounding box（回歸問題）。

參考

1. V1，V2，V3轉(zhuǎn)載地址： https://blog.csdn.net/App_12062011/article/details/77554288 2. V4轉(zhuǎn)載地址： https://mp.weixin.qq.com/s/Ua3T-DOuzmLWuXfohEiVFw

責任編輯：xj

原文標題：YOLO系列：V1,V2,V3,V4簡介

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉(zhuǎn)載請注明出處。