百度飞桨目标检测教程三：YOLO系列论文解析

百度飞桨目标检测教程三：YOLO系列论文解析

Anchor-based 单阶段目标检测算法 YOLO系列论文解析

涉及论文：YOLOv1 YOLOv2 YOLOv3 PPYOLO

YOLOv1

ppt1

性价比最高，不是精度最高的，但是精度没有很大损失的情况下速度大幅领先，实时性要求>30FPS就可以

YOLOv1

[You only look once: Unified, real-time object detection](https://xueshu.lanfanshu.cn/scholar_url?url=https%3A%2F%2F2.zoppoz.workers.dev%3A443%2Fhttps%2Fwww.cv-foundation.org%2Fopenaccess%2Fcontent_cvpr_2016%2Fhtml%2FRedmon_You_Only_Look_CVPR_2016_paper.html&hl=zh-CN&sa=T&ct=res&cd=0&d=6382612685700818764&ei=bzNOX8XcGPCF6rQPyO6SqAE&scisig=AAGBfm2gowB_5J8mZ-5ucoALdgg32yaPsg&nossl=1&ws=1855x932&at=You only look once%3A Unified%2C real-time object detection)

2016 CVPR

引用次数：10791

作者：Joseph Redmon University of Washington, USA

联系方式：Email: [email protected]

代码复现：http://pjreddie.com/yolo/

you only look once，一张图片放到深度学习网络中一次就可以得到输出，而前面的RCNN系列的论文是先提取proposal，再对proposal做分类和回归，相当于是看了两次。

ppt2

YOLO的基本原理

把图像划分成S * S的网格，物体的真实框的中心落在哪个网格上，就由该网格对应锚框负责检测该物体。

输出特征图是S * S * C，长和宽分别表示划分的网格，而通道C来表示想要得到的信息，包括[x, y, w, h, 置信度pobject, one-hot分类信息]

类似于前面的FPN网络，YOLO也用到了预设锚框的算法，对每一个格子预设B个锚框，输出的特征图的通道C的大小应该是$C=85\ast B$。

85是说，前面4个坐标表示，该预设锚框与真实框的偏移量，类似于RCNN系列中的回归分支，第5个坐标代表该锚框的置信度，即有多大概率包含一个物体，最后80个坐标是coco数据集80个类别的one-hot向量输出，如果用其他的数据集进行训练，数量也会不尽相同。

YOLOv2

ppt1

YOLOv2

YOLO9000: better, faster, stronger

2017 CVPR

引用次数：5553

作者：Joseph Redmon University of Washington, USA

联系方式：Email: [email protected]

代码复现：http://pjreddie.com/yolo/

yolov2是基于v1做的优化

Backbone升级：用DarkNet19作为骨架网络，输入图像分辨率从224 * 224升级到了448 * 448。

网络结构完全改为全卷积网络结构：网络结构层中只有Conv和Batch Norm。

在数据集上用Kmeans聚类得到anchor。

引入多尺度训练：每个batch输入的图像resize的大小是不同的。

优势：精度提升，速度提升

弊端：小目标的召回率不高，靠近的群体目标检测效果不好，精度还可以再提高。

YOLOv3

ppt1

YOLOv3

Yolov3: An incremental improvement

2018 arXiv technical report

引用次数：3702

作者：Joseph Redmon University of Washington, USA

联系方式：Email: [email protected]

代码复现：http://pjreddie.com/yolo/

优化方法：

骨架网络改为DarkNet53。

多尺度预测，跨尺度特征融合。

coco数据集聚类9种不同尺度的anchor，每个尺度有3个。

分类用sigmoid激活，支持目标多分类。

优势：精度提升，速度提升，通用性强。

弊端：小目标的召回率仍然不高，靠近的群体目标检测效果仍然不好，定位精度仍然还可以再提高。

但是总体来说YOLOv3的性价比已经很高了。

ppt2

yolov3结构图

图源：https://blog.csdn.net/leviopku/article/details/82660381

首先是图像输入到backbone中，backbone由5个ResNet Block组成，每一个block都会进行一次倍数为2的下采样。

且有三个尺度的输出，分别进行特征提取，得到不同尺度的结果输出。

ppt3

为什么要用3个输出分支？在coco数据集聚类9种尺度的anchor。

下采样倍率较多的那支输出，说明它经过的卷积层数比较多，感受野比较大，融合了更多的图像信息，因此需要比较大的那三个anchor与之匹配。

剩下的两个分支也是这样来分析。

ppt4

偏移量的预测

预测出来的偏移量是[tx, ty, tw, th]，最后真实的偏移量是[bx, by, bw, bh]，它们之间的变换关系如下

锚框尺寸[pw, ph]

中心点偏移 b x = c x + σ ( t x ) , b y = c y + σ ( t y ) b_x = c_x + \sigma(t_x), b_y = c_y + \sigma(t_y) <