各位同學好，今天和大家分享一下YOLOV1目標檢測的原理。

1. 預測階段--前向傳播

預測階段就是在模型已經成功訓練之后，輸入未知圖片，對圖片預測。此時只需要前向傳播運行這個模型。

流程如下圖，模型輸入圖像的shape為 [448,448,3]，經過若干個卷積層和池化層，輸出特征圖的shape為 [7,7,1024]；再將這個特征圖拉平放到有4096個神經元的全連接層中，輸出 4096 維的向量；再將該向量輸入至 1470 個的神經元的全連接層中，輸出 1470 維的向量；最后將該向量reshape成 [7,7,30] 的特征圖。

在預測階段，YOLOV1模型相當于一個黑箱子，輸入 [448,448,3] 的圖像，輸出 [7,7,30] 的特征圖。輸出的 tensor 中包含了所有預測框的坐標，置信度，類別結果

---

輸出特征圖的shape是 [7,7,30] 可以理解為：

（1）首先，網絡將圖像劃分成 SxS 個網格（grid cell），在YOLOv1中S=7，因此每張圖像都劃分成 7x7 的網格。

（2）每個網格（grid cell）能預測出 b 個預測框（bounding box），在YOLOv1中b=2，每個網格能預測出2個預測框。這個兩個預測框可能大小形狀差別很大，只要預測框的中心點落在該網格中，就說明這個檢測框是由該網格生成的。所以每個網格生成的兩個預測框的中心點肯定落在該網格中。

（3）每個預測框包含中心點坐標（x, y），寬高（w, h）這四個定位坐標確定預測框的位置；包含預測框中的物體是不是目標物體的置信度 c；包含所有類別的條件概率，假設在預測框已經包含目標物體的情況下，該物體是某一個類別的概率。如：在包含目標物體的情況下是狗的概率。

（4）將每個預測框的置信度乘以類別的條件概率，就能獲得每個預測框屬于各個類別的概率。

（5）輸出特征圖的通道數是30，可以理解為，每個網格生成2個預測框，每個預測框包含5各參數（x, y, w, h, c），那么兩個預測框就有10個參數，在VOC數據集中包含20個類別，即每個網格包含這20個類別的條件概率。

因此，每個網格包含5+5+20個參數，每張圖片被劃分成7x7的網格，一張圖片有7x7x30個參數

---

如下面左圖，每個網格預測出兩個預測框，預測框的置信度高的用粗線表示，置信度低的用細線表示，保留下置信度高的預測框。

每個網格還能生成20個類別的條件概率，如右圖，展示了條件概率高的類別所占有的網格。如綠色代表狗的條件概率較高的區域。每個網格只有一個類別，選擇20個條件概率中最高的那一個類別。

每一網格只能識別一個目標物體，7x7的網格最多能預測出49個物體，這也是YOLOv1在小目標和密集目標識別性能差的原因

---

2. 預測階段--后處理

將紛繁復雜的預測出的98個預測框篩選過濾（NMS非極大值抑制），去除低置信度的預測框，重復的預測框只保留一個，獲得最終目標檢測的結果。

后處理就是將網絡輸出的 7x7x30 的特征圖變成最后的目標檢測結果

從 7x7 個網格中取出一個網格來研究，首先如第一節所述，每個網格包含2個預測框參數（x,y,w,h,c）和20個類別的條件概率（假設預測框包含目標物體，它是某個類別的概率），即5+5+20個參數

接下來，將每個預測框的置信度和每個網格屬于20個類別的條件概率相乘，得到網格真正屬于某個類別的概率。第一個預測框的置信度乘以20個類別的條件概率，得到第一個預測框屬于20個類別的全概率。一個20維的向量，代表一個預測框屬于每個類別的概率。

那么每個網格就有2個概率向量，每個向量有20個元素。7x7個網格就有98個向量

現在獲得了98個概率向量，以狗這個類別為例，某些預測框計算出的狗這個類別的概率很小，現在設置一個閾值如0.2，將所有檢測框預測狗的概率小于0.2的概率值全部變成0，然后按照狗類別的概率值高低排序所有的預測框。

---

對排序后的預測框使用非極大值抑制NMS

先把概率值最大的預測框拿出來，然后把剩下的預測框逐一和概率最大的預測框比較，如果兩個框的IOU（交并比）大于某個閾值，就認為這兩個檢測框重復識別了同一個目標物體，把低概率的預測框過濾掉。把交并比滿足要求的預測框保留下來

如下圖，橘色預測框和綠色預測框的交并比大于0.5，表明兩個框預測了同一個目標物體，將概率小的綠框的概率值變成0

接下來再把概率值第二高的預測框拿出來，和剩下的預測框逐一計算交并比。藍框和紫框的交并比超過閾值，表示重合，概率值小的紫框的概率值置為0。同理依次對所有預測框比較。

最終比較完剩下橘框和藍框預測結果是狗被保留下來，然后分別對這20個類別使用NMS，最終的計算結果一個稀疏矩陣，有很多元素被置為0。將98個預測框中概率值不為0的框找出來，找到類別索引和概率值，就能獲得最終的目標檢測結果。

---

3. 訓練階段

監督學習的訓練是通過梯度下降和方向傳播方法，迭代微調神經元的權重，使得損失函數最小化。

目標檢測是一個典型的監督學習問題，在訓練集上已經人工畫出了真實目標的檢測框，而算法要使得預測框盡量去擬合真實檢測框。

真實檢測框的中心點落在哪個網格中，就需要哪個網格生成的預測框去擬合真實的檢測框。每個網格生成兩個預測框，那么就需要這兩個預測框中的一個框去擬合真實檢測框。并且這個網格輸出的類別也必須是該真實檢測框的類別。

如下圖，藍色實線框是真實檢測框，中心點落在紅色網格中，該網格生成了兩個預測框，黃色和橘色虛線框。預測框和真實框的IOU交并比大的預測框負責擬合真實框，下圖就是黃色虛線框來擬合真實框。調整預測框盡量逼近真實框的樣子。讓交并比小的預測框的置信度越小越好。

---

損失函數

損失函數包含五項，都是回歸問題的損失函數，預測出一個連續的值，將該值和標注值比較，越接近越好。

（1）第一個是負責檢測物體的預測框的中心點定位誤差。預測框和真實框在橫縱坐標上盡可能的一致。

（2）第二項是負責檢測物體的預測框的寬高定位誤差。預測框的寬高要和真實框的寬高盡可能一致，求根號能使小框對誤差更敏感。

（3）第三項是負責檢測物體的預測框的置信度誤差。標簽值是預測框和真實框的IOU交并比，預測值需要和標簽值越接近越好。

（4）第四項是不負責檢測物體的預測框的置信度誤差。所有不用來擬合真實框的預測框的標簽值IOU最好都等于0

（5）第五項是負責檢測物體物體的網格的分類誤差。若某個網格負責預測狗，那么這個網格在20個類別中狗這個類別的概率越接近于1越好。

?代表第 i 個網格是否包含物體，即真實框的中心點是否落在該網格中。若有則為1，否則為0

?代表第 i 個網格的第 j 個預測框，若負責預測物體則為1，否則為0

?代表第 i 個網格的第 j 個預測框，若不負責預測物體則為1，否則為0

?代表給真正負責檢測物體的預測框的誤差給予更多的權重

?代表給不負責檢測物體的預測框的誤差給予很小的權重

總結

以上是生活随笔為你收集整理的【目标检测】(5) YOLOV1 目标检测原理解析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。