目標檢測YOLO進化史之yolov1

  • 2019 年 10 月 3 日
  • 筆記

yolov3在目標檢測領域可以算得上是state-of-art級別的了,在實時性和準確性上都有很好的保證.yolo也不是一開始就達到了這麼好的效果,本身也是經歷了不斷地演進的.

yolov1

測試圖片

yolov1有個基本的思想,就是將圖片劃分為S*S個小格grid,每個grid負責一個目標.上圖裡的黃色框就是grid.藍色框就是預測的object.藍色點是object的中心,位於黃色框內.

每個grid只預測一個目標,這個就造成了yolo的一個缺陷,當多個目標的中心都落在同一個grid cell里的時候,卻只能預測出來一個.比如上圖左下角有9個聖誕老人,但是只預測出來5個.

反映到模型上,也就是說輸入一個448*448*3圖片,經過不斷卷積,輸出一個7*7*30的tensor. 這裡的7*7就對應於上面說到的S*S.

那麼這裡的30怎麼來的呢? 每一個grid cell預測2個框出來,每個框對應5個值,(x,y,w,h)和一個box confidence score.box confidence score反映了預測出來的box含有目標的可能性以及這個預測的box的準確性. yolov1預測出20個類別的概率. 所以30 = 2*5 + 20
我們用B指代每個cell預測出B個box,C指代每個cell預測出C個類別的概率.那麼yolo的輸出的tensor的shape則為(S,S,Bx5+C)

這就是yolo的核心思想了,構建一個CNN網路,得到一個(7,7,30)的tensor.

這樣的話就得到了7*7*2個box,我們只保留box confidence score>某個值的box作為我們最終的預測box.

loss

損失函數分為3個部分

  • box位置錯誤
  • confidence錯誤(box確實包含目標的可能性錯誤)
  • 類別概率錯誤
    其實也就是衡量我們的這些預測值(x,y,w,h,confidence,classp1,classp2....)和真實值的差異

首先,我們預測出了B個box,我們只會用其中一個去計算loss.我們選取與ground-truth box的IOU最大的作為我們計算loss的box.ground-truth box怎麼來,因為我們事先已經把數據標註好了,我們當然可以找到ground-truth box的中心位於某個grid cell內,如果有多個ground-truth box的中心都位於當前grid cell內,怎麼辦?計算每一個predict box和每一個ground-truth box的IOU,選取iou最大的作為相應的predict box,ground-truth box.這個方式帶來的一個問題就是前面聖誕老人那個圖說到的,當多個目標很密集,他們的中心都落在了同一個grid cell內的時候,yolov1隻能檢測出其中之一.

loss函數如下圖所示:

loss函數的設計基於以下幾種考慮

  1. 每一種loss都給相同的權重是不合適的,對於box位置錯誤給更多的權重,??????=5

  2. 大的box和小的box,在預測的偏離差不多的情況下,顯然大的box算出來的平方根誤差更大,所以在計算w,h的誤差的時候採取了開平方的形式

  3. 一幅圖中,有很多grid cell是沒有物體的,那麼就會將這些grid cell中的bounding box的confidence 置為0，會導致計算梯度時,包含物體的grid cell的影響被放大,所以對不包含目標的grid cell,在計算confidence loss的時候給了一個權重λnoobj = 0.5

    We use sum-squared error because it is easy to optimize, however it does not perfectly align with our goal of
    maximizing average precision. It weights localization error equally with classification error which may not be ideal.
    Also, in every image many grid cells do not contain any
    object. This pushes the 「confidence」 scores of those cells
    towards zero, often overpowering the gradient from cells
    that do contain objects. This can lead to model instability,
    causing training to diverge early on.
    To remedy this, we increase the loss from bounding box
    coordinate predictions and decrease the loss from confidence predictions for boxes that don』t contain objects. We
    use two parameters, λcoord and λnoobj to accomplish this. We
    set λcoord = 5 and λnoobj = :5.

關於第三點,"導致計算梯度時,包含物體的grid cell的影響被放大",我不知道是不是原始的論文的表述有問題還是我理解的問題?
給不包含目標的grid cell一個較低的權重,我理解應該是避免模型學到太多background資訊,畢竟模型的目標是檢測出目標,所以應該更關注含有目標的grid cell.

yolo的優點與不足

  • 快,適合需要實時處理的場景,比如自動駕駛
  • 少了區域選擇的過程,可以做端到端的訓練
  • region proposal的方法把分類限制在了特定的區域上,yolo能夠從整幅圖中學習資訊,所以在背景圖檢測的false positive更低,也就是錯檢率低
  • 多個目標挨得很近,或者目標很小,檢測效果不好

參考
https://blog.csdn.net/hrsstudy/article/details/70305791
https://arxiv.org/abs/1506.02640
https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088

Tags:

VirMach 便宜 VPS