1. 簡(jiǎn)介

參考源于產(chǎn)業(yè)實(shí)踐的開源深度學(xué)習(xí)平臺(tái) 飛槳PaddlePaddle 的《零基礎(chǔ)實(shí)踐深度學(xué)習(xí)》?的 《目標(biāo)檢測(cè)YOLOv3》

根據(jù)以上資料，簡(jiǎn)化和重新梳理 YOLOv3 模型設(shè)計(jì)的基本思想

2. 基礎(chǔ)概念

2.1. 邊界框（bounding box）

目標(biāo)檢測(cè)通常使用 邊界框（bounding box，bbox）來表示物體的位置

邊界框是正好能包含物體的矩形框

通常有兩種格式來表示邊界框的位置：

圖片坐標(biāo)的原點(diǎn)在左上角，x軸向右為正方向，y軸向下為正方向

在檢測(cè)任務(wù)中，訓(xùn)練數(shù)據(jù)集的標(biāo)簽里會(huì)給出目標(biāo)物體真實(shí)邊界框所對(duì)應(yīng)的(x1,y1,x2,y2)

這樣的邊界框也被稱為真實(shí)框（ground truth box）

在預(yù)測(cè)過程中，模型會(huì)對(duì)目標(biāo)物體可能出現(xiàn)的位置進(jìn)行預(yù)測(cè)

由模型預(yù)測(cè)出的邊界框則稱為預(yù)測(cè)框（prediction box），如上圖所示

2.2. 錨框（Anchor box）

錨框與物體邊界框不同，是由人們假想出來的一種框

先設(shè)定好錨框的大小和形狀，再以圖像上某一個(gè)點(diǎn)為中心畫出矩形框

如圖中藍(lán)色框所示，其中錨框A1跟人像區(qū)域非常接近

在目標(biāo)檢測(cè)任務(wù)中，通常會(huì)以某種規(guī)則在圖片上生成一系列錨框，將這些錨框當(dāng)成可能的候選區(qū)域

模型對(duì)這些候選區(qū)域是否包含物體進(jìn)行預(yù)測(cè)，如果包含目標(biāo)物體，則還需要進(jìn)一步預(yù)測(cè)出物體所屬的類別

還有更為重要的一點(diǎn)是，由于錨框位置是固定的，它不大可能剛好跟物體邊界框重合

所以需要在錨框的基礎(chǔ)上進(jìn)行微調(diào)以形成能準(zhǔn)確描述物體位置的預(yù)測(cè)框，模型需要預(yù)測(cè)出微調(diào)的幅度

在訓(xùn)練過程中，模型通過學(xué)習(xí)不斷的調(diào)整參數(shù)

最終能學(xué)會(huì)如何判別出錨框所代表的候選區(qū)域是否包含物體，如果包含物體的話，物體屬于哪個(gè)類別，以及物體邊界框相對(duì)于錨框位置需要調(diào)整的幅度

2.3. 交并比（loU）

如何衡量這三個(gè)錨框跟真實(shí)框之間的關(guān)系呢？

在檢測(cè)任務(wù)中，使用交并比（Intersection of Union，IoU）作為衡量指標(biāo)

這一概念來源于數(shù)學(xué)中的集合，用來描述兩個(gè)集合A和B之間的關(guān)系

為了直觀的展示交并比的大小跟重合程度之間的關(guān)系
下圖示意了不同交并比下兩個(gè)框之間的相對(duì)位置關(guān)系，從 IoU = 0.95 到 IoU = 0

3. 訓(xùn)練思想

1.按一定規(guī)則在圖片上產(chǎn)生一系列的候選區(qū)域

2.根據(jù)這些候選區(qū)域與真實(shí)框之間的位置關(guān)系對(duì)候選區(qū)域進(jìn)行標(biāo)注正負(fù)樣本

跟真實(shí)框足夠接近的那些候選區(qū)域會(huì)被標(biāo)注為正樣本，同時(shí)將真實(shí)框的位置作為正樣本的位置目標(biāo)

偏離真實(shí)框較大的那些候選區(qū)域則會(huì)被標(biāo)注為負(fù)樣本，負(fù)樣本不需要預(yù)測(cè)位置或者類別

3.使用卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征 C

4.使用卷積神經(jīng)網(wǎng)絡(luò) 關(guān)聯(lián)圖片特征C 對(duì)應(yīng)候選區(qū)域的位置和類別進(jìn)行預(yù)測(cè) ，形成 特征圖P

5.將網(wǎng)絡(luò)預(yù)測(cè)值和標(biāo)簽值進(jìn)行比較，就可以建立起損失函數(shù)

將每個(gè)預(yù)測(cè)框就看成是一個(gè)樣本，根據(jù)真實(shí)框相對(duì)它的位置和類別進(jìn)行了標(biāo)注而獲得標(biāo)簽值

3. 產(chǎn)生候選區(qū)域

3.1. 生成錨框

將原始圖片劃分成m×n個(gè)區(qū)域，即 均分切塊

如原始圖片高度H=640, 寬度W=480，如果選擇小塊區(qū)域的尺寸為32×32

則m和n分別為：m=H/32=20，n=W/32=15

將原始圖像分成了20行15列小方塊區(qū)域

3.2. 生成預(yù)測(cè)框

錨框的位置都是固定好的，不可能剛好跟物體邊界框重合

需要在錨框的基礎(chǔ)上進(jìn)行位置的微調(diào)以生成預(yù)測(cè)框

預(yù)測(cè)框相對(duì)于錨框會(huì)有不同的?中心位置和?大小

3.2.1. 預(yù)測(cè)框中心位置坐標(biāo)

因此由上面公式計(jì)算出來的預(yù)測(cè)框的中心點(diǎn)總是落在第十行第四列的小區(qū)域內(nèi)部

3.2.2. 預(yù)測(cè)框大小

錨框的大小是預(yù)先設(shè)定好的，在模型中可以當(dāng)作是超參數(shù)

3.2.3. 求解預(yù)測(cè)框

3.3. 標(biāo)注候選區(qū)域

每個(gè)區(qū)域可以產(chǎn)生3種不同形狀的錨框，每個(gè)錨框都是一個(gè)可能的候選區(qū)域

K=m×n×3=20×15×3=900個(gè)錨

對(duì)這些候選區(qū)域需要了解如下幾件事情：

?錨框是否包含物體，這可以看成是一個(gè)二分類問題，使用標(biāo)簽objectness來表示

當(dāng)錨框包含了物體時(shí)，objectness=1，表示錨框?qū)儆谡?/p>

當(dāng)錨框不包含物體時(shí)，objectness=0，表示錨框?qū)儆谪?fù)類

?如果錨框包含了物體，那么它對(duì)應(yīng)的預(yù)測(cè)框的中心位置和大小應(yīng)該是多少

?如果錨框包含了物體，那么具體類別是什么，這里使用變量label來表示其所屬類別的標(biāo)簽

YOLOv3算法設(shè)置了一個(gè)IoU閾值 iou_threshold

當(dāng)預(yù)測(cè)框的objectness不為1，但是其與某個(gè)真實(shí)框的IoU大于iou_threshold時(shí)，就將其objectness標(biāo)簽設(shè)置為 -1，不參與損失函數(shù)的計(jì)算

所有其他的預(yù)測(cè)框，其objectness標(biāo)簽均設(shè)置為0，表示負(fù)類

4. 卷積神經(jīng)網(wǎng)絡(luò)提取特征

通過連續(xù)使用多層卷積和池化等操作，能得到語義含義更加豐富的特征圖

在檢測(cè)問題中，也使用卷積神經(jīng)網(wǎng)絡(luò)逐層提取圖像特征

通過最終的 輸出特征圖 來表示 物體位置和類別等信息

4.1. 骨干網(wǎng)絡(luò)

YOLOv3算法使用的骨干網(wǎng)絡(luò)是 Darknet53

在檢測(cè)任務(wù)中，將圖中C0后面的平均池化、全連接層和Softmax去掉，保留從輸入到C0部分的網(wǎng)絡(luò)結(jié)構(gòu)，作為檢測(cè)模型的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，也稱為骨干網(wǎng)絡(luò)

YOLOv3模型會(huì)在骨干網(wǎng)絡(luò)的基礎(chǔ)上，再添加檢測(cè)相關(guān)的網(wǎng)絡(luò)模塊

這里將上圖中 特征 C0、C1、C2 所表示的輸出數(shù)據(jù)取出

指定輸入數(shù)據(jù)的形狀是 [1,3,640,640] 的話

查看它們的形狀分別是 C2 [1,256,80,80]，C1 [1,512,40,40] 和 C0 [1,1024,20,20]

4.2. 根據(jù)輸出特征圖計(jì)算預(yù)測(cè)框位置和類別

對(duì)于一個(gè)預(yù)測(cè)框，網(wǎng)絡(luò)需要輸出(5+N)個(gè)實(shí)數(shù)來表示它是否包含物體、位置和形狀尺寸以及屬于N個(gè)類別的概率

由于在每個(gè)小方塊區(qū)域都生成了k kk個(gè)預(yù)測(cè)框

則所有預(yù)測(cè)框一共需要網(wǎng)絡(luò)輸出的預(yù)測(cè)值數(shù)目是：[k(5+N)]×m×n]

還有更重要的一點(diǎn)是網(wǎng)絡(luò)輸出必須要能區(qū)分出小方塊區(qū)域的位置來

不能直接將特征圖連接一個(gè)輸出大小為k(5+N)]×m×n 的全連接層

需要的是 建立輸出特征圖與預(yù)測(cè)框之間的關(guān)聯(lián)

現(xiàn)在觀察特征，經(jīng)過多次卷積核池化之后，其步幅 stride=32

640×480大小的輸入圖片變成了20×15的特征圖

而小方塊區(qū)域的數(shù)目正好是20×15

也就是說可以讓特征圖上每個(gè)像素點(diǎn)分別跟原圖上一個(gè)小方塊區(qū)域?qū)?yīng)

這也是為什么最開始將小方塊區(qū)域的尺寸設(shè)置為32的原因

這樣可以巧妙的將小方塊區(qū)域跟特征圖上的像素點(diǎn)對(duì)應(yīng)起來，解決了空間位置的對(duì)應(yīng)關(guān)系

骨干網(wǎng)絡(luò)的輸出?特征C，再對(duì)特征C進(jìn)行多次卷積以得到跟預(yù)測(cè)框相關(guān)的?特征圖P

實(shí)際中，這幾個(gè)尺寸可以隨著任務(wù)數(shù)據(jù)分布的不同而調(diào)整

只要保證特征圖輸出尺寸（控制卷積核和下采樣）和輸出層尺寸（控制小方塊區(qū)域的大?。┫嗤纯?/p>

5. 損失函數(shù)

5.1. 三種類型

是否包含目標(biāo)物體的損失函數(shù)，通過pred_objectness和label_objectness計(jì)算

loss_obj = paddle.nn.fucntional.binary_cross_entropy_with_logits(pred_objectness, label_objectness)

二值交叉熵：

對(duì)m個(gè)樣本的損失函數(shù)求和然后除以m:

物體位置的損失函數(shù)，通過pred_location和label_location計(jì)算

loss_location_x = paddle.nn.fucntional.binary_cross_entropy_with_logits(pred_location_x, label_location_x)
loss_location_y = paddle.nn.fucntional.binary_cross_entropy_with_logits(pred_location_y, label_location_y)
loss_location_w = paddle.abs(pred_location_w - label_location_w)
loss_location_h = paddle.abs(pred_location_h - label_location_h)
loss_location = loss_location_x + loss_location_y + loss_location_w + loss_location_h

物體類別的損失函數(shù)，通過pred_classification和label_classification計(jì)算

loss_obj = paddle.nn.fucntional.binary_cross_entropy_with_logits(pred_classification, label_classification)

5.2. 三種尺度

目前計(jì)算損失函數(shù)是在特征圖P0的基礎(chǔ)上進(jìn)行的，它的步幅stride=32

特征圖的尺寸比較小，像素點(diǎn)數(shù)目比較少，每個(gè)像素點(diǎn)的感受野很大，具有非常豐富的高層級(jí)語義信息，可能比較容易檢測(cè)到較大的目標(biāo)

為了能夠檢測(cè)到尺寸較小的那些目標(biāo)，需要在尺寸較大的特征圖上面建立預(yù)測(cè)輸出

如果在C2或者C1這種層級(jí)的特征圖上直接產(chǎn)生預(yù)測(cè)輸出

可能面臨新的問題，它們沒有經(jīng)過充分的特征提取，像素點(diǎn)包含的語義信息不夠豐富，有可能難以提取到有效的特征模式

在目標(biāo)檢測(cè)中，解決這一問題的方式是，將高層級(jí)的特征圖尺寸放大之后跟低層級(jí)的特征圖進(jìn)行融合

得到的新特征圖既能包含豐富的語義信息，又具有較多的像素點(diǎn)，能夠描述更加精細(xì)的結(jié)構(gòu)

在每個(gè)區(qū)域的中心位置產(chǎn)生3個(gè)錨框，在3個(gè)層級(jí)的特征圖上產(chǎn)生錨框的大小分別為

P2[(10×13),(16×30),(33×23)]，P1[(30×61),(62×45),(59× 119)]，P0[(116 × 90), (156 × 198), (373 × 326]

越往后的特征圖上用到的錨框尺寸也越大，能捕捉到大尺寸目標(biāo)的信息

越往前的特征圖上錨框尺寸越小，能捕捉到小尺寸目標(biāo)的信息

5.3. 總的損失函數(shù)

輸入圖片經(jīng)過特征提取得到三個(gè)層級(jí)的輸出特征圖P0(stride=32)、P1(stride=16)和P2(stride=8)

相應(yīng)的分別使用不同大小的小方塊區(qū)域去生成對(duì)應(yīng)的錨框和預(yù)測(cè)框，并對(duì)這些錨框進(jìn)行標(biāo)注

?P0層級(jí)特征圖，對(duì)應(yīng)著使用32×32大小的小方塊，在每個(gè)區(qū)域中心生成大小分別為 [116,90], [156,198], [373,326] 的三種錨框

?P1層級(jí)特征圖，對(duì)應(yīng)著使用16×16大小的小方塊，在每個(gè)區(qū)域中心生成大小分別為 [30,61], [62,45], [59,119] 的三種錨框

?P2層級(jí)特征圖，對(duì)應(yīng)著使用 8 × 8 大小的小方塊，在每個(gè)區(qū)域中心生成大小分別為 [10,13], [16,30], [33,23 ] 的三種錨框

將三個(gè)層級(jí)的特征圖與對(duì)應(yīng)錨框之間的標(biāo)簽關(guān)聯(lián)起來，并建立損失函數(shù)，總的損失函數(shù)等于三個(gè)層級(jí)的損失函數(shù)相加

通過極小化損失函數(shù)，可以開啟端到端的訓(xùn)練過程

6. 非極大值抑制

預(yù)測(cè)過程可以分為兩步：

1.通過網(wǎng)絡(luò)輸出計(jì)算出預(yù)測(cè)框位置和所屬類別的得分

2.使用非極大值抑制來消除重疊較大的預(yù)測(cè)框

計(jì)算結(jié)果會(huì)在每個(gè)小方塊區(qū)域上生成多個(gè)預(yù)測(cè)框，而這些 預(yù)測(cè)框中很多都有較大的重合度

因此需要消除重疊較大的冗余檢測(cè)框

基本思想是，如果有多個(gè)預(yù)測(cè)框都對(duì)應(yīng)同一個(gè)物體，則只選出得分最高的那個(gè)預(yù)測(cè)框，剩下的預(yù)測(cè)框被丟棄掉

如果兩個(gè)預(yù)測(cè)框的類別一樣，而且位置重合度比較大，則可以認(rèn)為是在預(yù)測(cè)同一個(gè)目標(biāo)

選出某個(gè)類別得分最高的預(yù)測(cè)框，然后看其余預(yù)測(cè)框跟它的IoU大于閾值，就把這些預(yù)測(cè)框給丟棄掉

這里IoU的閾值是超參數(shù)，需要提前設(shè)置，YOLOv3模型里面設(shè)置的是0.5

即丟棄與得分最高的預(yù)測(cè)框IoU較高的預(yù)測(cè)框

編輯：黃飛

?