Yolo
Yolo V1
简介
在Yolo v1提出之前，R-CNN算法在目标领域独占鳌头，但由于R-CNN的网络结构是双阶段(two stage)的特点，使得它的检测速度不能满足实时性。2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once
YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。
实现细节
检测策略
- 将一幅图像分成 S×S个网格（grid cell），若某个 object 的中心落在这个网格中，则这个网格就负责预测这个object。
- 每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。
- 每个网格还要预测一个类别信息，记为 C 个类。
- 总的来说，S×S 个网格，每个网格预测 B个bounding box ，预测 C 个类。网络输出就是一个 S × S × (5×B+C) 的张量。
目标损失函数
- 损失由三部分组成，分别是：坐标预测损失，置信度损失，类别预测损失
Yolo V2
简介
更快更准
- 重点解决Yolo v1 召回率和定位精度方面的不足
- 可以接受不同尺寸的图片输入
- 引进Anchor机制
网络结构
Yolo v2采用Darknet-19作为特征提取网络
- 使用多个3*3卷积核
- 在每一层的卷积之后，都增加了Batch Normalization进行预处理
- 采用了降维的思想，把1x1的卷积置于3x3之间，用来压缩特征
改进方法
Batch Normalization
Batch Normalization简称BN，即批量标准化，对数据进行预处理，能够提高训练速度，提升训练效果。
引入Anchor Box机制
引入Anchor Box锚框机制，加快前期网络训练收敛速度
Convolution With Anchor Boxes
Yolo v1中，一张图片被分割成7x7网络，当一个网格中同时出现多个类时，就无法检测出所有类，Yolo v2做出了相应的改进：
- 提高最后的卷积层的输出的分辨率特征
- 缩减网络为416x416，使得网络输出的特征图由奇数大小的宽和高，进而使得在划分单元格的时候，只有一个中心单元格，得到的输出是13x13的像素特征
聚类方法选择Anchors
Fine-Grained Features
细粒度特征， 可理解为不同层之间的特征融合，从而来提高对小目标的检测能力。
Yolo V3
简介
2018年，作者 Redmon 又在 YOLOv2 的基础上做了一些改进。特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实时性的同时保证了目标检测的准确性。
网络结构
- DBL： 一个卷积层、一个批量归一化层和一个Leaky ReLU组成的基本卷积单元。
- res unit： 输入通过两个DBL后，再与原输入进行add；这是一种常规的残差单元。残差单元的目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
- resn： 其中的n表示n个res unit；所以 resn = Zero Padding + DBL + n × res unit 。
- concat： 将darknet-53的中间层和后面的某一层的上采样进行张量拼接，达到多尺度特征融合的目的。这与残差层的add操作是不一样的，拼接会扩充张量的维度，而add直接相加不会导致张量维度的改变。
- Y1、Y2、Y3： 分别表示YOLOv3三种尺度的输出。
改进方法
多尺度预测
YOLOv3 选择了三种不同shape的Anchors，同时每种Anchors具有三种不同的尺度，一共9种不同大小的Anchors
损失函数
多标签分类
YOLOv3在类别预测方面将YOLOv2的单标签分类改进为多标签分类，在网络结构中将YOLOv2中用于分类的softmax层修改为逻辑分类器
Yolo V4
简介
Yolo系列的作者Redmon处于道德方面的考虑，声明不再进行相关的工作，但Alexey Bochkovskiy等人与Redmon取得联系，正式将他们的研究命名为YOLOv4。
Yolo V4是一个高效而强大的目标检测网络，更加适合在单GPU上训练
网络结构
Yolo V4的网络结构是由CSPDarknet53，SPP， PANet，Yolo V3头部等组成
CSPDarknet53
CSPNet全称是Cross Stage Partial Network, CSPNet的主要目的是能够实现更丰富的梯度组合，同时减少计算量。这个目标是通过将基本层的特征图分成两部分，然后通过一个跨阶段的层次结构合并它们来实现的。
将原来的Darknet53与CSPNet进行结合
使用Mlsh激活函数代替了原来的Leaky RELU
SPP
SPP最初的设计目的是用来使卷积神经网络不受固定输入尺寸的限制。在YOLOv4中，作者引入SPP，是因为它显著地增加了感受野，分离出了最重要的上下文特征，并且几乎不会降低的YOLOv4运行速度。
PANet
- FPN主要通过融合高底层特征提升目标检测的效果，尤其是可以提高小尺寸目标的检测效果。
- Bottom-up Path Augmentation的引入主要是考虑网络浅层特征信息对于实例分割非常重要，因为浅层特征一般是边缘形状等特征。
- Adaptive Feature Pooling用来特征融合。也就是用每个ROI提取不同层的特征来做融合，这对于提升模型效果显然是有利无害。
- Fully-connected Fusion是针对原有的分割支路（FCN）引入一个前背景二分类的全连接支路，通过融合这两条支路的输出得到更加精确的分割结果。
Tricks
Bag of freebies
以数据增强方法为例，虽然增加了训练时间，但不增加推理时间，并且能让模型泛化性能和鲁棒性更好。
改进方法
Mosaic
作者提出的一种数据增强方法，使用四张图片进行拼接
SAT
SAT是一种自对抗训练数据增强方法，这一种新的对抗性训练方式。在第一阶段，神经网络改变原始图像而不改变网络权值。以这种方式，神经网络对自身进行对抗性攻击，改变原始图像，以制造图像上没有所需对象的欺骗。在第二阶段，用正常的方法训练神经网络去检测目标。
CmBN
CmBN的全称是Cross mini-Batch Normalization，定义为跨小批量标准化（CmBN）。CmBN 是 CBN 的改进版本，它用来收集一个batch内多个mini-batch内的统计数据。
该文章为记录自己的学习，不做任何商业用途
参考文章：YOLO系列算法精讲：从yolov1至yolov4的进阶之路（2万字超全整理，建议收藏！）不积跬步，无以至千里！-CSDN博客yolo系列算法
如有侵权，请立刻联系，我将即刻删除相关内容