检测系列--YOLO系列

开头语：RCNN系列，需要区域候选框，即便最后是多任务损失函数，但回归和分类各是一块是很明显的，而yolo要把分类问题转换成回归，这样的話就全是回归。

一.yolo v1

1,介绍，此时输入size要一致448*448

2,框架，googlenet作为主干网络，但注意经过了一些改进，并没有用到多通路做法

3,红色箭头是经改进的googlenet出来的，改进地方在于没有用googlenet多通路做法，而是1x1降维，3x3卷积提取，1x1升维

其中7x7是网格的划分，通道数30=（B*5+C）,B是每个网格负责预测的目标个数，5是坐标+置信度，C是类别，每个bound box对应5个参数，B是用来确认是目标还是背景，与C的每一类概率相乘来确认是哪一类,这里要注意的就是每个box共享一个分类的score.候选框筛选到7*7*B,大大减少了候选框,同时也减少与gt试错的机会.

4,一个格子只预测两个bounding box

5,x,y,w,h要归一化到1

这里的回归四个值主要是中心点x,y(注意相对于格点)和长宽

图片宽为wi,高为hi,box中心点(相对于格点)为(x,y),宽高比例为(wb,hb),col,row代表格点的列数和行数,S代表划分的行列数,预测的box中心点(相对于大图)为(xc,yc)

先看预测阶段,在逆推回训练阶段就好理解了:

预测阶段：

box相对于格点的中心点为：(wi/S)*x，(hi/S)*y

格点相对于大图的坐标为col*(wi/S),row*(hi/S)

故box相对于大图的中心点为：xc= (wi/S)*x+col*(wi/S), yc = (hi/S)*y+row*(hi/S)

训练阶段，也就是要回归box相对于格点的偏移量也就是求x,y

故x =xc*(S/wi) - col,y =yc*(S/hi) - row,

回归宽高就好理解了，回归w= wb/wi,h = hb/hi．

6.目标×属于每一类的概率得到最大可能性是哪一类

7.loss函数

此时还是比较粗暴，全部采用l2 loss.

上面做法存在的问题是:

1.8维的定位Ｌｏｓｓ和20维的分类Ｌｏｓｓ同等重要是不合理的；

2.如果一个网络没有物体，那么loss就由没有物体占主导，会将网络的box置信度push到0，导致网络不稳定。

解决办法:

1.对8维的定位Ｌｏｓｓ给予更大的权重;

2.对没有物体的box的置信度loss给更小的权重;

为了解决不同大小box造成的偏移loss是一样的，将box的width和height取平方根代替原本的height和width。小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。

8,NMS踢掉剩余的框

9,yolo策略

10,yolo v1效果,因为用到全连接，丢失空间信息故容易产生定位错误

二.yolo v2

其也称为yolo9000.

1,加入bn。

2,取5个anchor boxes

3.每个ｂｏｘ都有预测的坐标和类别

4.多尺度训练

每10个Batch，网络会随机地选择一个新的图片尺寸，由于使用了下采样参数是32，所以不同的尺寸大小也选择为32的倍数{320，352…..608}，最小320*320，最大608*608，网络会自动改变尺寸，并继续训练的过程。

三.yolo v3

backbone采用去除全连接的darknet53,经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。

每个ResX包含1+2*x个卷积层，故包含1+（1+2*1）+（1+2*2）+（1+2*8）+（1+2*8）+（1+2*4）=52，

1.anchor由yolov2的5个变为9个;

2.不再使用Softmax进行分类，对每一类使用二分类，分类损失也使用二值交叉熵;

3.采用FPN, 其中包含三个特征图尺度，分别下采样32x，16x，8x，每个特征图上设置三种大小的anchors，对应大、中、小，每一个尺度的特征图上可以得到 N × N × [3 ∗ (4 + 1 + 80)] 的结果，分别是N x N个 gird cell ，3种尺度的anchors，x、y、w、h、confidence、80类;

4.由yolov2的darknet-19升级为darknet-53.

四.yolov4

这篇文章写的很详细很全。

Backbone：CSPDarknet53
Neck：SPP，PAN
Head：YOLOv3

与yolov3差异:

1.CBM:采用的而是Mish激活函数，可看出分类上还是会涨点;

f(x) = x・tanh(ς(x))，ς(x) = ln(1+e^x)

　　　　　 mish ς(x)与relu

2.CSPX:由卷积和X个Res unit模块concate组成,其借鉴的是CSPNet的思想,主要是从网络结构设计的角度解决推理中计算量大的问题，采用CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率,每个CSPX包括5+2*x个卷积层;
3.SPP:多尺度最大池化;
4.卷积层采用dropblock，类似cutout,只不过cutout作用于输入层数据，而dropblock作用于网络的每一个特征图，将某个局部区域删除丢弃，比dropout力度大；