yolo 测距原理（单阶段的经典目标检测器）

Fatser RCNN算法利用两阶结构，先实现感兴趣区域（RoI）的生成，在进行精细的分类和回归，虽然能很好的对物体进行检测，但是其缺点是速度仍然不够快，在更多追求实时的应用场景下，仍不能满足需求。在此背景下，YOLO v1来了，其主要利用了回归的思想，使用一阶网络直接完成了分类和位置定位两个任务，且速度极快。后面的v2和v3，在检测精度和速度上均有提升，最近v4也出来了。

(1) 网络结构：

YOLO v1网络结构

和其他算法一样，YOLO v1使用了卷积神经网络进行特征提取，如上图所示。输入的图像尺寸是448*448，经过24个卷积层与两个全连接层后，输出特征图大小7*7*30.

(2) 对特征图的操作

YOLO v1的网络结构并没有太多的新颖之处，其精髓是对最后的7*7*30大小的特征图进行操作。如下图所示，YOLO v1将输入的图像（原图）划分为7*7（可设置）的区域，每一个区域对应于最后特征图的一个点，该点的通道数为30，代表了预测的30个特征，代表预测的30个特征。

YOLO v1检测原理图

YOLO v1在每个区域内预测两个边框，如上图，预测框A和预测框B，则整个图的预测框的个数为7*7*2=98个，这些边框的大小和位置都不一样，其可以覆盖整个图上可能出现的物体。如果一个物体的中心点落在了某个区域内， 则该区域就负责检测该物体。上图中真实物体框的中心点在当前区域内， 该区域就负责检测该物体， 具体是将该区域的两个框与真实物体框进行匹配， IoU更大的框负责回归该真实物体框， 在此A框更接近真实物体。

最终的预测特征由类别概率、 边框的置信度及边框的位置组成 ：

• 类别概率： 由于PASCAL VOC数据集一共有20个物体类别， 因此这里预测的是边框属于哪一个类别。
• 置信度： 表示该区域内是否包含物体的概率， 类似于Faster RCNN中是前景还是背景。 由于有两个边框， 因此会存在两个置信度预测值。
• 边框位置： 对每一个边框需要预测其中心坐标及宽、 高这4个量，两个边框共计8个预测值。

（3）损失函数YOLO v1的损失一共由5部分组成， 均使用了均方差损失， 如式

损失函数

公式中

• i代表第几个区域， 一共有S^2个区域， 在此为49；
• j代表某个区域的第几个预测边框， 一共有B个预测框， 在此为2；
• obj代表该框对应了真实物体；
• noobj代表该框没有对应真实物体。
• 这5项损失的意义如下：·第一项为正样本中心点坐标的损失。 λcoord的目的是为了调节位置损失的权重， YOLO v1设置λcoord为5， 调高了位置损失的权重。·第二项为正样本宽高的损失。 由于宽高差值受物体尺度的影响，因此这里先对宽高进行了平方根处理， 在一定程度上降低对尺度的敏感， 强化了小物体的损失权重。·第三、 四项分别为正样本与负样本的置信度损失， 正样本置信度真值为1， 负样本置信度为0。 λnoobj默认为0.5， 目的是调低负样本置信度损失的权重。·最后一项为正样本的类别损失。

(4)总结

• 优点：利用了回归的思想， 使用轻量化的一阶网络同时完成了物体的定位与分类， 处理速度极快， 可以达到45 FPS， 当使用更轻量的网络时甚至可以达到155 FPS。
• 缺点：（a）每一个区域默认只有两个边框做预测， 并且只有一个类别，因此YOLO v1有着天然的检测限制。 这种限制会导致模型对于小物体，以及靠得特别近的物体检测效果不好； （b）由于没有类似于Anchor的先验框， 模型对于新的或者不常见宽高比例的物体检测效果不好。 另外，由于下采样率较大， 边框的检测精度不高 ；（c）在损失函数中， 大物体的位置损失权重与小物体的位置损失权重是一样的， 这会导致同等比例的位置误差， 大物体的损失会比小物体大， 小物体的损失在总损失中占比较小， 会带来物体定位的不准确。

针对v1的不足，YOLO v2通过对网络结构的改善、先验框的设计以及训练技巧三个方面进行改进，使得YOLO v2预测更加准确、速度更快、识别的物体类别更多，其在VOC 2007数据集上可以得到mAP 10%以上的提升效果。 （1）网络结构的改善

DarkNet网络结构图

如上图所示，提出一种全新的网络结构，DarkNet。原始的DarkNet包含19个卷积层与5个池化层，增加了一个Passthrough层后一共拥有22个卷积层， 精度与VGGNet相当， 但浮点运算量只有VGGNet的1/5左右， 因此速度极快。

def _make_layers(in_channels, net_cfg): layers = [] # 如果输入是一个list， 继续调用_mask_layers， 拆解到每一个网络基本单元 if len(net_cfg) > 0 and isinstance(net_cfg[0], list): for sub_cfg in net_cfg: layer, in_channels = _make_layers(in_channels, sub_cfg) layers.append(layer) else: for item in net_cfg: # 定义每一个Max Pooling层 if item == 'M': layers.append(nn.MaxPool2d(kernel_size=2, stride=2)) # 定义每一个卷积层， 这里定义的卷积层已经包含了BN与ReLU层 else: out_channels, ksize = item layers.append(net_utils.Conv2d_BatchNorm(in_channels,out_channels,ksize,same_padding=True)) in_channels = out_channels return nn.Sequential(*layers), in_channels

class Darknet19(nn.Module): def __init__(self): super(Darknet19, self).__init__() # 这里的cfgs与图6.4中的网络结构是一致的 net_cfgs = [ [(32, 3)], ['M', (64, 3)], ['M', (128, 3), (64, 1), (128, 3)], ['M', (256, 3), (128, 1), (256, 3)], ['M', (512, 3), (256, 1), (512, 3), (256, 1), (512, 3)], ['M', (1024, 3), (512, 1), (1024, 3), (512, 1), (1024, 3)], [(1024, 3), (1024, 3)], [(1024, 3)] ] # 构建前几个卷积模块 self.conv1s, c1 = _make_layers(3, net_cfgs[0:5]) self.conv2, c2 = _make_layers(c1, net_cfgs[5]) self.conv3, c3 = _make_layers(c2, net_cfgs[6]) # 为了实现Passthrough层， 定义了一个ReorgLayer类 stride = 2 self.reorg = ReorgLayer(stride=2) # 这里conv4的输入通道数是conv1s的4倍再加conv3的和 self.conv4, c4 = _make_layers((c1*(stride*stride) c3), net_cfgs[7]) # 最终输出通道数为预选框数量×25， 即5×25=125 out_channels = cfg.num_anchors * (cfg.num_classes 5) self.conv5 = net_utils.Conv2d(c4, out_channels, 1, 1, relu=False) self.global_average_pool = nn.AvgPool2d((1, 1))

（2）先验框的设计

YOLO v2吸收了Faster RCNN的优点， 设置了一定数量的预选框，使得模型不需要直接预测物体尺度与坐标， 只需要预测先验框到真实物体的偏移， 降低了预测难度。

关于先验框， YOLO v2首先使用了聚类的算法来确定先验框的尺度， 并且优化了后续的偏移计算方法， 下面详细介绍这两部分。先验框的设计为YOLO v2带来了7%的召回率提升。 （详细请看原文）

（3）训练技巧

• 多尺度训练 由于移除了全连接层， 因此YOLO v2可以接受任意尺寸的输入图片。 在训练阶段， 为了使模型对于不同尺度的物体鲁棒， YOLO v2采取了多种尺度的图片作为训练的输入。 由于下采样率为32， 为了满足整除的需求， YOLO v2选取的输入尺度集合为{320,352,384,...,608}， 这样训练出的模型可以预测多个尺度的物体。 并且， 输入图片的尺度越大则精度越高， 尺度越低则速度越快，因此YOLO v2多尺度训练出的模型可以适应多种不同的场景要求。

• 多阶段训练 由于物体检测数据标注成本较高， 因此大多数物体检测模型都是先利用分类数据集来训练卷积层， 然后再在物体检测数据集上训练。 例如， YOLO v1先利用ImageNet上224×224大小的图像预训练， 然后在448×448的尺度上进行物体检测的训练。 这种转变使得模型要适应突变的图像尺度， 增加了训练难度。 YOLO v2针对以上问题， 优化了训练过程， 采用如图6.6所示的训练方式， 具体过程如下： （1） 利用DarkNet网络在ImageNet上预训练分类任务， 图像尺度为224×224。 2） 将ImageNet图片放大到448×448， 继续训练分类任务， 让模型首先适应变化的尺度。 3） 去掉分类卷积层， 在DarkNet上增加Passthrough层及3个卷积层， 利用尺度为448×448的输入图像完成物体检测的训练。

YOLO v2多阶段训练

（4）总结

• 优点：YOLO v2相较于之前的版本有了质的飞跃， 主要体现在吸收了其他算法的优点， 使用了先验框、 特征融合等方法， 同时利用了多种训练技巧， 使得模型在保持极快速度的同时大幅度提升了检测的精度。
• 缺点：（1）单层特征图： 虽然采用了Passthrough层来融合浅层的特征， 增强多尺度检测性能， 但仅仅采用一层特征图做预测， 细粒度仍然不够， 对小物体等检测提升有限， 并且没有使用残差这种较为简单、 有效的结构。 （2）受限于其整体结构， 依然没有很好地解决小物体的检测问题。 （3）太工程化： YOLO v2的整体实现有较多工程化调参的过程， 尤其是后续损失计算有些复杂， 不是特别“优雅”， 导致后续改进与扩展空间不足。

针对YOLO v2的缺陷 ，YOLO v3版本， 将当今一些较好的检测思想融入到了YOLO中， 在保持速度优势的前提下， 进一步提升了检测精度， 尤其是对小物体的检测能力。 YOLO v3主要改进了网络结构、 网络特征及后续计算三个部分 。

YOLO v3网络结构

（1）新网络结构DarkNet-53 YOLO v3继续吸收了当前优秀的检测框架的思想， 如残差网络和特征融合等， 提出了如上图所示的网络结构， 称之为DarkNet-53。 这里默认采用416×416×3的输入， 图中的各模块意义如下：

• DBL： 代表卷积、 BN及Leaky ReLU三层的结合， 在YOLO v3中，卷积层都是以这样的组件出现的， 构成了DarkNet的基本单元。 DBL后面的数字代表有几个DBL模块。
• Res： 图6.7中的Res代表残差模块， 具体结构请参考第3章。 Res后面的数字代表有几个串联的残差模块。
• 上采样： 上采样使用的方式为上池化， 即元素复制扩充的方法使得特征尺寸扩大， 没有学习参数。
• Concat： 上采样后将深层与浅层的特征图进行Concat操作， 即通道的拼接， 类似于FPN， 但FPN中使用的是逐元素相加。

DarkNet-53结构的一些新特性：

• 残差思想： DarkNet-53借鉴了ResNet的残差思想， 在基础网络中大量使用了残差连接， 因此网络结构可以设计得很深， 并且缓解了训练中梯度消失的问题， 使得模型更容易收敛。
• 多层特征图： 通过上采样与Concat操作， 融合了深、 浅层的特征，最终输出了3种尺寸的特征图， 用于后续预测。 从前面的章节学习中可以知道， 多层特征图对于多尺度物体及小物体检测是有利的。
• 无池化层： 之前的YOLO网络有5个最大池化层， 用来缩小特征图的尺寸， 下采样率为32， 而DarkNet-53并没有采用池化的做法， 而是通过步长为2的卷积核来达到缩小尺寸的效果， 下采样次数同样是5次， 总体下采样率为32。

（2）多尺度预测 从上图中可以看到， YOLO v3输出了3个大小不同的特征图， 从上到下分别对应深层、 中层与浅层的特征。 深层的特征图尺寸小， 感受野大， 有利于检测大尺度物体， 而浅层的特征图则与之相反， 更便于检测小尺度物体， 这一点类似于FPN结构。

YOLO v3依然沿用了预选框Anchor， 由于特征图数量不再是一个，因此匹配方法也要相应地进行改变。 具体方法是， 依然使用聚类的算法得到了9种不同大小宽高的先验框， 然后按照表6.1所示的方法进行先验框的分配， 这样， 每一个特征图上的一个点只需要预测3个先验框， 而不是YOLO v2中的5个 。

先验框在特征图上的分布

（3）Softmax改为Logistic YOLO v3的另一个改进是使用了Logistic函数代替Softmax函数， 以处理类别的预测得分。 原因在于， Softmax函数输出的多个类别预测之间会相互抑制， 只能预测出一个类别， 而Logistic分类器相互独立， 可以实现多类别的预测。

实验证明， Softmax可以被多个独立的Logistic分类器取代， 并且准确率不会下降， 这样的设计可以实现物体的多标签分类， 例如一个物体如果是Women时， 同时也属于Person这个类别。

（4）总结

• 优点：速度快是YOLO系列最重要的特质， 同时YOLO系列的通用性很强， 由于其正样本生成过程较为严格， 因此背景的误检率也较低。
• 缺点： 位置的准确性较差， 召回率也不高， 尤其是对于遮挡与拥挤这种较难处理的情况， 难以做到高精度。 参考：董洪义. 深度学习之Pytorch物体检测，2020.