YOLO 超详细入门（含开源代码）——网络结构、细节、目标损失函数、优点
前言
代码地址：GitHub：ultralytics/yolov3
本文适用于目标检测之YOLO零基础入门。YOLO检测效果如下：
若想了解Faster RCNN算法的细节与思想，可参考： 《Faster RCNN超详细入门 01-准备篇-背景 RCNN,SPPnet,Fast RCNN,RoI Pooling》《Faster RCNN超详细入门 02网络细节与训练方法（anchors，RPN，bbox,bounding box，Region proposal layer……）》笔者在阅读《You Only Look Once：Unified, Real-Time Object Detection》原文后，根据自身理解及查阅资料，以入门角度尽可能想要还原论文细节，水平有限，欢迎交流。
【读后再读】：《YOLO超详细入门02 v2零基础看懂 图文详解（含代码及原文）——网络架构，BN，高分辨率，细粒度特征，多尺度训练，Anchor Box，维度聚类，直接位置预测，输出特点，YOLO9000》【读后再读】：《YOLO超详细入门 03 v3 图文详解(含代码+原文)》 背景 依照目标检测里程碑的 roadmap，我们可以看到 双阶段（two-stage ）的算法，例如：RCNN、Fast RCNN 都是 YOLO 的前辈，在当时提出RPN （region proposal）可以说是当时的热门，但 two-stage 的算法缺点也相当明显。例如：RCNN 使用SS（Selective Search ）找出 2000–3000 个 region proposal，将取出的 region proposal 压缩成一样大小之后再丟入CNN中提取特征，利用 SVM 进行分类，并对bounding box做线性回归，这一步骤执行起来非常耗时，并且这个方法对于box size的选择非常地敏感。YOLO作为实时影像目标检测的开山鼻祖，采用单阶段（one-stage）方法，使其检测速度远超当时作为主流目标检测算法的R-CNN系列（two-stage），但也牺牲了部分准确率（而这为后续YOLO的改进埋下了伏笔）。;作者將region proposal创造性地，巧妙地转化为回归分析问题，也就是将挑选region proposal的问题也丢到model內，让model也帮忙预测bounding box。 一、YOLO的核心原理预览 YOLO将输入的图片resize成448 x 448，并且为 S x S（S = 7）个grid，如果物体的中心落入该grid中，那么该grid就需要负责检测该物体。一次性输出所检测到的目标信息，包括类别和位置。对于每一个网格（grid），都会预测出B个bounding boxes（B=2），这个bounding boxes有5个量，分别是物体的中心位置（x，y）和它的高（h）和宽（w），以及这次预测的置信度（confidence score）。
每个框还要负责预测这个框中的物体是什么类别的,共预测C个类。
综上，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C)。（S x S个网格，每个网格都有B个预测框，每个框又有5个参数，再加上每个网格都有C个预测类）
二、网络结构模型原理图如上，网络结构图如下。
网络结构是由GoogLeNet所启发，取代了GoogLeNet使用的inception。
为什么每个网格有固定的B个Bounding Boes？（即B=2）YOLO 有 24 个卷积层，后面是 2 个全连接层（FC）。一些卷积层交替使用 1×1 减少层来减少特征图的深度。对于最后一个卷积层，它输出一个形状为 (7, 7, 1024) 的张量。然后张量被展平。使用 2 个全连接层作为线性回归的一种形式，它输出 7×7×30 参数，然后reshape为 (7, 7, 30)，即每个位置 2 个bounding boxes预测。
网络输入：448 x 448 x 3的RGB图片。中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。网络输出：7 × 7 × （2 x 5 + 20）= 1470的预测结果。 三、网络细节 3.1 网络单元（grid） 3.1.1 作用 预测B个边界框，每个框都有一个置信度分数（confidence score）。不管框 B 的数量是多少，都只检测一个对象。预测物体在C个类别的概率（物体属于每一种类别的可能性）。 3.1.2 细节特征 每个网格单元只检测一个对象 YOLO 将输入图像划分为S × S网格。每个网格单元仅预测一个目的。例如，上面的黄色网格单元尝试预测其中心（蓝点）位于网格单元内的“人”对象。 每个网格单元对对象进行固定数量B的bounding boxes预测 每个网格单元预测固定数量 B 的bounding boxes。在这个例子中，黄色网格单元进行两个边界框预测（蓝色框）来定位人的位置（B = 2）。 YOLO可能会错过太近的物体 但是，单对象规则(one-object rule)限制了检测到的对象的接近程度。为此，YOLO 确实对物体的接近程度有一些限制。例如，上面的图，左下角有 9 个圣诞老人，但 YOLO 只能检测到 5 个。 3.2 网络实现 3.2.1 检测策略 YOLOv1采用的是“分而治之”的策略，将一张图片平均分成7×7个网格，每个网格分别负责预测中心点落在该网格内的目标。回忆一下，在Faster R-CNN中，是通过一个RPN来获得目标的感兴趣区域，这种方法精度高，但是需要额外再训练一个RPN网络，这无疑增加了训练的负担。在YOLOv1中，通过划分得到了7×7个网格，这49个网格就相当于是目标的感兴趣区域。通过这种方式，我们就不需要再额外设计一个RPN网络，这正是YOLOv1作为单阶段网络的简单快捷之处！ 使用 b 个bounding boxes进行 (S x S) 预测。 原文中为了评估 PASCAL VOC数据集，YOLO使用了 7×7 网格 (S×S)、2 个bounding boxes (B=2) 和 20 个类别 ©。 实现过程如下：1.YOLO将输入的图片resize成448 x 448，并且为 S x S（S = 7）个grid，如果物体的中心落入该grid中，那么该grid就需要负责检测该物体。 2.对于每一个网格（grid），都会预测出B个bounding boxes（B=2），这个bounding boxes有5个量，分别是物体的中心位置（x，y）和它的高（h）和宽（w），以及这次预测的置信度（confidence score）。 3.每个框还要负责预测这个框中的物体是什么类别的,共预测C个类。
4.综上，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C)。
3.2.2 预测形状 Output = 7 × 7 × （2 x 5 + 20）= 1470 通过图像的宽度和高度对bounding boxes的宽度w和高度h进行归一化。x和y是对应网络单元格*（grid）的偏移量。因此，x、y、w和h都在 0 和 1 之间。每个网络单元格有 20 个条件类概率。条件类概率是检测到的对象属于特定类别的概率（每个单元属于每个类别的概率）。因此，YOLO 的预测形状为 (S, S, B×5 + C) = (7, 7, 2×5 + 20) = (7, 7, 30)。 3.2.3 非极大值抑制（Non-Maximum Suppression）算法原理图如下：
简化理解为：
作用 YOLO 可以对同一对象进行重复检测。为了解决这个问题，YOLO 应用非极大值抑制（NMS）来以删除重复的具有较低的置信度的预测。NMS使得模型的 mAP 表现增加了 2-3%。 具体实现1.设定置信度阈值（confidence score threshold），去掉无用的bounding box 再开始做NMS，可以有效减少多余的计算量。 2.设定IoU阈值（IoU threshold） (一般用0.5，如果太高会造成物件重复检测的问题)，用来刪掉IoU值太高的两个框其中之一。 3.使用置信度（confidence score）对Bounding box 排序然后用第一的Bounding box跟其他Bounding box算IoU，如果大于IoU threshould 就将其置信度归零。 4.重复步骤2-3，直到所有物件的IoU值为0，此时剩下的就是结果。
3.3 目标损失函数 总误差函数 3.3.1 思路 YOLO 预测每个网格单元的多个bouding boxes。为了计算TP（True positive）的损失，我们只希望其中一个bounding box负责检测物体。为此，我们选择与ground truth具有最高 IoU（交并比）的那个bounding box。这样便可以使得bounding boxes预测的更加精确。并且预测出来的某些尺寸和纵横比都会变得更好。 3.3.2 分类YOLO用预测（predictions）和ground truth之间的平方和误差（sum-squared error）来计算损失。损失函数包括：
分类预测损失坐标预测损失（预测的bounding box和ground truth之间的差距）置信度预测损失（框的客观真实性） 3.3.3 细节 分类预测损失 如果检测到一个物体，则每个单元格的分类损失是每个类的类条件概率的平方差。 坐标预测损失 坐标预测损失可算出预测bounding box位置和大小的误差（只计算负责检测物体的box）。使用差方和误差。w和h在进行误差计算的时候取的是它们的平方根，原因是对不同大小的bounding box预测中，相比于大bounding box预测偏一点，小box预测偏一点更不能忍受。我们不想对大的bounding box和小的bounding box中的绝对误差进行同等赋权。例如，一个大的bounding box中的 2 像素误差对于一个小的bounding box来说是相同的。而差方和误差函数中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将bounding box的w和h取平方根代替原本的w和h。为了部分解决这个问题，YOLO 实际上预测的是bounding boxes的宽度（w）和高度（h）的平方根（square root），而不仅仅是宽度和高度。因为坐标误差比分类误差大，为了增加对坐标误差为了提高bounding box的准确性，我们将损失乘以 λ c o o r d λ_{coord} λcoord （默认值：5）。 置信度预测损失如果在 box 中检测到物体，则置信度预测损失为：
如果在 box 中没有检测到物体，则置信度预测损失为：
大多数box不包含任何物体对象。这会导致类不平衡问题，即我们训练模型时检测背景比检测物体更加频繁。为了解决这个问题，我们通过乘以 λ n o o b j λ_{noobj} λnoobj （默认值：0.5），对这种损失进行赋权。
四、YOLO的优点快速，实时处理数据。
采用但阶段网络（one-stage）。预测（物体位置和类别）由一个网络进行。可以进行端到端（end-to-end）训练以提高准确性。
通用性强。当从自然图像推广到艺术品等其他领域时，YOLO的效果也同样优于其他方法。
RPN（Region Proposal）区域提议方法将分类器限制在特定区域。而YOLO 在预测边界时却访问整个图像。
YOLO 在背景区域中的表现更好，错误率更低。
YOLO中的每个网格单元（gride cell）都负责检测一个物体，而这实际上使得YOLO在进行预测时增强了空间多样性。
五、YOLOv1的伏笔——YOLOv2,YOLOv3的诞生 【读后再读】：《YOLO超详细入门02 v2零基础看懂 图文详解（含代码及原文）——网络架构，BN，高分辨率，细粒度特征，多尺度训练，Anchor Box，维度聚类，直接位置预测，输出特点，YOLO9000》【读后再读】：《YOLO超详细入门 03 v3 图文详解(含代码+原文)》SSD与YOLOv3的对比，详细请见参考论文《SSD vs. YOLO for Detection of Outdoor Urban Advertising Panels under Multiple Variabilities》
SSD 是 YOLOv1的强大竞争对手，它在当时展示了更高的实时处理精度。与基于区域的检测器相比，YOLO 的坐标定位误差更高，recall（召回率：衡量定位所有目标物体的好坏程度）更低。YOLOv2 是YOLO的第二个版本，其目标是显着提高准确性，同时使其更快。 详情下回分解。