懒人赏析YOLO V1
懒人赏析系列
YOLO (You Only Look Once) 是第一个相对成功的One-Stage物体检测方法，在2016年被提出，以简单，高效的优势，一跃成为与RCNN系列并驾齐驱的物体检测框架，直至今日，YOLO V3依然作为物体检测的首选方案之一。下面，我们一同走进YOLO V1的世界。
0.大纲
YOLO V1的优势
YOLO V1的流程
YOLO V1的核心
YOLO V1损失函数
1.YOLO V1的优势
评估一个算法是否可用时，我们首先想到的是它的优势，YOLO V1的优势可总结为三点：
速度快（体现在很高的FPS，这也是YOLO V1主打的亮点）；
误检少（体现在检测出的物体中，其实是背景类的比较少）；
泛化能力强（体现在可以检测出美术画中的物体）；
为了方便大家理解，下面copy一些论文中的图：
mAP和FPS的对比数据：
YOLO V1的速度和准确率在2016年时还是很“稳”的，很多重速度系统，会优先考虑YOLO V1。
FastRCNN与YOLO V1简单对比：
图中显示：在检测出的框中，Fast RCNN有更多框其实是背景，侧面反映出YOLO V1的误检率低；
YOLOV1的泛化能力指标：
在美术画中，YOLO V1也能表现良好（作者竟然不比较Faster RCNN…，巧妙）。
2.YOLO V1的流程
欣赏一下YOLO V1的运行过程，把目光移至下图（copy自论文）：
这张图，诠释了YOLO V1的运行过程：
1.输入一张图，然后Resize到448 x 448；
2.然后输入到CNN中（文中叫darknet）；
3.输出结果，经过后处理，包括NMS，得到结果（框和类别）；
其中CNN整体的结构是由24个卷积层和2个全链接层组成，激活函数为“Leaky ReLU”，最后输出的向量维度是1470 = 7 x 7 x 30，说明最后输出了 7 x 7“组”结果，每组结果由30个数组成。网络结构如下：
这里需要注意，输入图片是448 x 448，输出是 7 x 7，Feature Stride为64（这个值蛮大的）；
3.YOLO V1的核心
YOLO V1核心的思想是把图片分成Sx S个网格（grid cell），然后每个网格负责检测“一个”框和类别，再经过概率和NMS过滤，得到最终结果。
阅读原论文或者看完上面的描述，大家不禁会有下面几个疑问：
1）S是多少？
直接回答S=7，由于网格（grid cell）的数目需要跟最后特征图尺寸一一对应，最后特征图的尺寸为 7 x 7，因此网格的数目也就是 S x S = 7 x 7。
2）为什么要分成S x S个网格？
用以预测结果（框和类别）的特征图大小为 7 x 7，有49个向量（这里有点像RPN），每个向量都要去预测“框”和“类别”，训练时，我们需要为每个向量分配类别以及是否需要负责预测框，那么如何分配呢？我们需要把7x 7个点映射回原图，正好形成7 x 7个网格，然后根据每个网格跟Ground Truth之间的关系（作者设定了规则去建立联系），来做后续分配。也就是为什么分成S x S（7 x 7）个框了。
3）选择哪些网格（grid cell）去预测框？
每个网格在最后7 x 7的特征图上对应一个向量，这个30维向量用来预测结果，那么我们应该选择哪个网格来负责预测框呢？通俗一些，就是哪些网格是正例，哪些是负例（过程有点儿类似RPN，但区别蛮大），我们先看文中的一段描述：
这句话给了我们标准答案，物体的“中心”落在哪个网格中，哪个网格就负责训练这个框（类别和坐标）。这句英文大家都能看懂，但是实际呢？我们看看下面这张图：
这张图，中心点被标出来了，并且落在了“橘黄网格”中，那么它就是正例，那么“绿色网格”和“白色网格”的标签（Label）是什么呢？这里是与RPN最大不同之处了，YOLOV1中，对于一个Ground Truth，有且只有一个网格是正例，其余的就算与Ground Truth IOU很大，也是负例，所以“绿色网格”和“白色网格”Label为负，所以也就不用负责训练框坐标了（但是会负责训练其他信息）。
4）选好了网格，下一步计算x，y，w，h（用来训练），它们是怎么计算的？
我们看看原文怎么说：
根据原论文我们可以确定几点，第一：x，y指的是中心点，是物体框的中心点，不是网格的中心点（当然物体的中心点必然会落在相应的网格中）；第二，w，h指的是物体框的宽高；第三，x,y, w, h都在0-1之间。我们在训练的时候，损失函数（LossFunction）计算的是预测的（x‘，y’，w‘，h’）与实际值（x，y，w，h）之间的L2-Loss，预测值是通过网络，最后在30维向量中（7 x 7 x 30），实际值是怎么算的呢？
比如图片的宽高为width，height，物体的中心点为x，y，宽高为w，h，那么根据论文的描述：
x，y在Loss中的值是相对网格的偏移，是相对于网格的中心点还是左上角点的偏移呢？其实这个顾虑是多余的，因为在最后7 x 7大小的特征图上，网格仅仅是一个”点“，相对于它的偏移，我们需要把x，y也映射到7 x 7的特征图上，然后与对应的网格的位置相减，然而我们不难发现，这个过程可以简化为：
根据”选取网格 “的方法，我们知道中心点x，y在7 x 7特征图上的位置的整数部分就是对应网格的位置，因为它们在原图上距离也不超过448 / S（网格的大小），所以在7 x 7的图片上，它们的距离不超过1。
5）实际的训练过程中，需要分S x S个网格么？
根据上一个问题的答案，我们不难发现，实际的训练和预测的过程中，我们是不需要对原图划分网格的，论文中划分网格的目的主要是为了方便表达。
6）最后输出的30维向量，代表什么？
论文中说了，我们一共预测98个框（明明只有49组向量），所以30维向量中一定包含了2个框的信息，也就是两组（x, y, w, h）。由于是在Pascal VOC上训练的，所以还有20个类别信息，这样组合发现只有28个值，。。。难道大家就没有疑问，YOLO V1是如何区分背景的么？YOLO V1不仅预测了框的x, y, w, h，还预测了框的分数，用来判断是不是框，所以30维向量成分：2组( x, y, w, h, score) + 20个类别概率。
7）框的分数是怎么算的？
预测的时候，分数是直接输出的，那么训练的时候呢？是不是选中的网格分数为1，没选中的为0，答案是NO，这也是YOLO V1的巧妙之处，YOLO V1计算了一个所谓的IOU分数，IOU指的是预测的框与实际框的IOU，这样在训练的时候，我们需要实时的计算这个IOU，作为输入到Loss Function中的“目标”，与预测的IOU分数做L2-Loss，举个例子，第一次迭代，网络会输出一个预测框P1，对应的真实框为G，程序会计算P1和G的IOU，然后继续做Loss。
8）为什么每个输出有两个框，实际却只负责一个框？
其中YOLO V1有一个细节，我画图描述一下：
其中，绿色的框P1与白色的框P2是网络预测的框，而红色的框G是真实值，YOLO V1会计算P1与G的IOU1，以及P2与G的IOU2，然后比较哪个IOU大，比如IOU2更大，那么P2的信息会输入到LossFunction中，P1被忽略掉（？？）并不是100%被忽略，如果IOU1小于一个阈值，会作为负例，压向0值。
4.YOLO V1的损失函数
损失函数公式如上，里面有几个值得我们借鉴的地方：
1）对于平方差，同样很小的数值，对于大框影响相对于小框的影响小一些，（同样的值，加在大框上，可能几乎没有变化，而小框的变化会很大），此时作者是如何处理的呢？
文中是把w，h都开根号了，预测的是开根号的值，这样影响会相对一致一些。
2）由于每个框只有一个网格负责，那么49个网格，预测98个框，可能只有1-2个是正例，其余的都是负例，需要取向零，这样会导致网络更好的学习负例：
文中的做法是赋予不同的权重，预测坐标的权重为5，“没有物体“的权重为0.5，权重相差10倍。
以上就是YOLO V1的主要内容了，我个人建议大家读读论文，感受思想，不用去实现，毕竟YOLO V2，V3更好。