YOLO 学习笔记（一）

发表于 更新于 分类于

前言

本系列将记录笔者在 YOLO(You Only Look Once) 学习中遇到的困难与心得，分享给其他有需求的同学，做为知识库使用。

YOLO 是什么？

YOLO是目标检测模型，目前已发展到 v5 版本。
目标检测是计算机视觉中比较简单的任务，用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。

显然，类别是离散数据，位置是连续数据。

机算机视觉的三类任务：分类，目标检测，实例分割。整体上这三类任务从易到难，我们要讨论的目标检测位于中间。
YOLO 的全称是 You Only Look Once，指只需要浏览一次就可以识别出图中的物体的类别和位置。
因为只需要看一次，YOLO 被称为 Region-free 方法，相比于 Region-based 方法，YOLO 不需要提前找到可能存在目标的Region。

Region-free 也被称为单阶段（one-stage）模型
Region-based 也被称为两阶段（two-stage）模型

YOLO 版本对比

YOLO-V1

优点：快速，简单。

缺点：每个 Cell 只预测一个类别，重叠无法解决，小物体检测效果一般。

YOLO-V2

每个卷积层后都加入 Batch Normalization。

相当于网络每一层的输入都做了归一化，收敛相对更容易，从现在的角度来看 BN 已经是必备处理

经过 BN 处理后的网络大约会提升2%的mAP

使用更大的分辨率分类器，V2 训练时额外又进行了10次448*448的微调。

V1 训练时使用的是224*224，测试使用448*448

使 YOLOv2的 mAP 提升了约4%

舍弃全连接层，使用卷积来预测 Anchor Boxes，并且去掉 V1 网络中的池化层，以提高卷机输出的分辨率。

V2 网络的输入分辨率更改为416X416而不是448X448

聚类提取先验框。

YOLO-V3

最大的改进就是网络结构，使其更适合小目标检测。

DarkNet 和 YOLO 系列作者 Joseph Redmon 宣布退出 CV 界，因为YOLO被用于军事，是他不想看到的。

YOLO-V4

设计了强大而高效的检测模型，进一步降低了使用门槛。

修改了很多 SOTA 的方法，对单 GPU 训练更加高效。

YOLO-V5

相比于 YOLOv4，YOLOv5 在原理性方法没有太多改进，在速度与模型大小上比 YOLOv4 有较大提升，可以认为是通过模型裁剪后的工程化应用。

指标分析

  • mAP：综合衡量检测效果。

    在不同置信度阈值中综合考虑所有的 Precision 与 Recall 的情况，综合得出的一个指标值。

  • IOU：交集和并集的比值。
    $$
    \begin{flalign*} &
    IOU = \frac{Area \space of \space Overlap}{Area \space of \space Union}
    & \end{flalign*}
    $$

    交集：真实值和预测值重叠的部分。

    并集：真实值 + 预测值。

  • TP：true positives，正类判定为正类。

    真实是好瓜，并正确识别为好瓜。

  • FP：false positives，负类判定为正类。

    真实是坏瓜，并错误识别为好瓜。

  • FN：flase negatives，正类判定为负类。

    真实是好瓜，并错误识别为坏瓜。

  • TN：true negatives，负类判定为负类。

    真实是坏瓜，并正确识别为坏瓜。

  • precision：精度（真实标注的范围与检测到的范围的重合率）
    $$
    \begin{flalign*} &
    precision = \frac{TP}{TP \space + \space FP}
    & \end{flalign*}
    $$

  • Recall：召回（查全率,被真实标注的是否被检测到）
    $$
    \begin{flalign*} &
    Recall = \frac{TP}{TP \space + \space FN}
    & \end{flalign*}
    $$

训练参数

  • epoch：一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。

    使用训练集中的全部样本训练一次。

  • batch_size：决定一次训练的样本数目。

    从零开始训练模型的话，batch_sise 可以给小一点。

    从预训练模型开始的话，batch_sise 可以尽可能给大一点。

    因为大的 batch_sise 代表模型迭代每一步会稳定一些。

    总的来说 batch_size 太小会有欠拟合倾向(没那么明显)， 对模型拟合数据的影响没有 learningrate 大。

    建议 learningrate 的值给的稳健一些，不要太大，然后给一个 gpu 范围内承受的最大的 batch_sise。

  • iteration：使用 batch_size 个样本训练一次。