深度学习 -- YOLO 算法流程详解
YOLO同样是经典论文，后续很多论文以此为基础，例如YOLO9000、YOLOv3等， 如果有写的不对、有问题或者看不懂的地方，还望指正。如果有了新的理解，我会持续更新。
文章2016年发表，当时的视觉检测模型有两个问题，一个是速度快但是准确率差，另一种是准确率高但是速度很慢（faster rcnn 当时只有 3 - 5 FPS）。这类，无论在学术界还是工程界，都有很大的改进空间。作者为此提出了YOLO。
不说没用的，还是主要看目标检测的部分和YOLO本身的特点。
首先看YOLO的工作流程：
上图是原文中的，工作流程分成三个步骤：
- 缩放图像
- 将图像过全卷积神经网络
- 利用极大值抑制（NMS）进行筛选
然后来看算法的具体流程。
一 、图像分割
在YOLO中，一张输入图像首先被分成了 S × S 个均等大小的栅格，每一个格子都称作一个 grid cell。
上图中左图作为输入图像，被分成了 7 × 7 个小的栅格，后续的工作和这些栅格息息相关。
二、 Bounding boxes 预测
从上图中也能看出，分割后的图像分成两路来处理，
1. 先看 bounding boxes + confidence 。在这一步中，YOLO 为每一个栅格给出了两个预测框，这里有点像faster rcnn 的anchor ，但不完全相同。YOLO给出的预测框，是基于栅格中心点的，大小自定义。每一个栅格预测 B 个bounding boxes，每个bounding boxes 有四个坐标和一个置信度，所以最终的预测结果是 S × S × (B ∗ 5 + C）个向量。原文中的 B= 2，意思是有两个预选框，C = 20，表示有20种类别，S = 7。
2. 再看第二个class probablity map，这一路的工作其实是和上一部一同进行的，负责的是栅格的类别，预测的结果一样是放在 最后的 7 × 7 × 30 的结果中
三、网络结构：
YOLO的网络结构很简单，前面是一个已经预训练的全卷积网络，后面又增加了4个卷积层，最后加了两个全连接网络，生成的结果就是刚才提到的 7 × 7 × 30 。7 × 7 × 30 的结果分成30个向量，结果的含义如下图（画图太麻烦了，就手写了）：
3. 结果怎么来的？
我们知道了整个模型处理数据的流程，那这些坐标值和置信度包括训练方式是什么样的呢？
3.1 坐标值、置信度：
在YOLO中，预测结果中含有 这几个数据，其中：
-
是bounding box 的中心相对于单元格的偏移量
-
是bouning box 相对于整个图片的比例
这篇博客中讲的比较清楚：https://blog.csdn.net/u011974639/article/details/78208773
看完应该知道，所有的参数最后都是归一化的，也就是说 x,y,w,h,C 这些参数的值都在0 - 1之间。有了这些参数就能定义Loss function 然后开始训练了。
3.2 Loss function
上面的损失函数分成了三个部分
- 坐标值偏差
- 置信度偏差
- 预测概率偏差
中心点偏差使用的是均方差（因为简单），宽高使用的是先开根号再求误差（为了减小偏差太大导致的预测框偏离目标，先开根号可以减小这种影响）
以上，目标检测的流程基本就结束了，总结一下就是：
训练过程：首先将图像分成 S × S 栅格、然后将图像送入网络，生成S × S × (B ∗ 5 + C）个结果，根据结果求Loss并反向传播梯度下降。
预测过程：首先将图像分成 S × S 栅格、然后将图像送入网络，生成S × S × (B ∗ 5 + C）个结果，用NMS选出合适的预选框。
至于为什么要用栅格：1. 每一条结果和划分的栅格对应。 2. 结果归一化以栅格为基础，分类也是以栅格为基础