前言
yolo系列是目前應(yīng)用范圍比較廣的目標(biāo)的檢測算法，經(jīng)過幾輪的改進(jìn)昏滴，在實(shí)時性和檢測效果上同比第一代yolo也有了較大提升抛虫，本文梳理一下yolo系列算法的改進(jìn)思路懂缕。
YOLO
概述
在yolo之前侣集，目標(biāo)檢測更多的是two-stage算法键俱，即先篩選出部分候選框，在進(jìn)行選擇與分類世分，其中比較有代表性的網(wǎng)絡(luò)為：faster-RCNN编振，mask-RCNN等。
you only look once臭埋，yolo系列是眾多one-stage算法中比較有代表性的踪央，one- stage使用單一網(wǎng)絡(luò)完成定位與分類。
yolo框架思路
目標(biāo)檢測任務(wù)是定位出圖像中的物體并說明物體是什么瓢阴，yolo系列將其轉(zhuǎn)化為回歸問題畅蹂，輸入為圖片，輸出為x,y,w,h,c + 各分類概率
我們從v1 loss 入手看看它的設(shè)計(jì)思路：
loss分為三個大部分：
位置損失荣恐、置信度損失液斜、分類損失
位置損失比較容易理解，就是邊框x,y,w,h; w,h 取平方根用來平衡大小框?qū)p失影響大小的問題叠穆。
置信度指的是候選框內(nèi)為物體還是背景的置信度少漆，這里的C取值為0和1，圖像中背景區(qū)域一般來講遠(yuǎn)多于物體硼被，lamda用來平衡該差異對整體損失的影響示损。
第三部分為分類損失。
后面的YOLO都基本按照這個思路進(jìn)行優(yōu)化祷嘶。
YOLOV1
YOLO V1是YOLO的開山之作屎媳，它奠定了YOLO系列的基本框架。
基本思想
將圖片劃分為S*S個格子论巍，每個格子2個預(yù)選框烛谊，若該格子中心包含物體，則該物體由該格子進(jìn)行預(yù)測嘉汰。
預(yù)測產(chǎn)生 S*S*(B*5+C)
yolov1中S=7丹禀，B=2，C為數(shù)據(jù)集類別數(shù)量鞋怀。
網(wǎng)絡(luò)結(jié)構(gòu)
網(wǎng)絡(luò)結(jié)構(gòu)相對簡單双泪， gooleNet作為卷積網(wǎng)絡(luò)，兩層全聯(lián)接網(wǎng)絡(luò)進(jìn)行映射密似。
基本過程
輸入：448*448圖像
網(wǎng)絡(luò)預(yù)測邊框分類及其置信度
NMS去處冗余框
不足之處
1.網(wǎng)絡(luò)由于使用全連接網(wǎng)絡(luò)焙矛，輸入大小不可變。
2.預(yù)選框只有兩個残腌，對于密集重合以及小目標(biāo)效果不佳村斟。
YOLOV2
V2在V1的基礎(chǔ)上通過一些較有創(chuàng)造性的trick贫导，進(jìn)一步提升效果與速率。
V2優(yōu)化內(nèi)容
- 去除全連接層蟆盹，采用卷積與池化來進(jìn)行預(yù)測孩灯，該網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)可以使用多尺度進(jìn)行訓(xùn)練。
- 去除了全連接層也不再使用dropout來防止過擬合逾滥，使用Batch Normalization來替代峰档。
- 優(yōu)化損失函數(shù)，對位置的損失函數(shù)改用偏移量寨昙，更易收斂讥巡。
- 特征融合，除了使用最后一層特征圖外毅待，融合倒數(shù)第二層特征尚卫，改善V1對小目標(biāo)效果較差的問題归榕。
- 預(yù)選框使用K-means聚類得到尸红，同比V1提前指定預(yù)選框，該方式更貼近數(shù)據(jù)集刹泄，更合理外里。
- 更大分辨率，有效提升MAP特石。
- 引入聯(lián)合訓(xùn)練方式盅蝗，即檢測與分類聯(lián)合訓(xùn)練，訓(xùn)練分類時姆蘸，檢測部分的loss不生效墩莫，為0。
網(wǎng)絡(luò)結(jié)構(gòu)
基本過程與細(xì)節(jié)
輸入416*416
卷積網(wǎng)絡(luò)
輸出13*13*5*25
細(xì)節(jié)一：輸入大小為32的奇數(shù)倍逞敷，保證最后框的大小為奇數(shù)狂秦，方便確定框的中心。
細(xì)節(jié)二： K-means聚類聚類距離為推捐，1-IOU裂问；規(guī)避大小框中心點(diǎn)距離差別大的問題。
細(xì)節(jié)三：優(yōu)化loss函數(shù)牛柒，使用相對偏移量計(jì)算損失堪簿，計(jì)算的是預(yù)測框與預(yù)選框的偏移（anchor box），只有最接近ground truth的檢測框進(jìn)行損失的計(jì)算皮壁。V5每個格子5個預(yù)選框椭更，同比V1召回明顯增加，準(zhǔn)確率下降蛾魄，map略有下降虑瀑。
YOLOV3
YOLOV3是極有標(biāo)志性的一代协饲，借鑒了ResNet的殘差思想，大幅度提升了時效性與效果缴川。
插曲佚事：V3是原YOLO作者的最后一代YOLO模型茉稠，因作者發(fā)現(xiàn)V3被用于軍事，從此退出了相關(guān)研究把夸。
網(wǎng)絡(luò)結(jié)構(gòu)
過程與細(xì)節(jié)
輸入圖像
卷積神經(jīng)網(wǎng)絡(luò)
多尺度預(yù)測
多尺度預(yù)測而线，
52*52 用于預(yù)測小目標(biāo)
26*26 用于預(yù)測中目標(biāo)
13*13 用于預(yù)測大目標(biāo)
低層融合高層特征，提高中小目標(biāo)的預(yù)測能力和預(yù)測效果
高層采用上采樣恋日，與中小兩層進(jìn)行拼接融合預(yù)測
取消池化層膀篮，使用卷積控制步長來進(jìn)行下采樣。
改進(jìn)loss岂膳，使得yolo可以進(jìn)行多標(biāo)簽預(yù)測誓竿。
