Yolo1是将图像分成了S*S个网格，每个cell会负责预测落在其上边物体的类别(假如一共C个类别)，另外每个cell会预测B个bounding box，每个bounding box要预测(x, y, w, h)和置信度confidence共5个值，因此yolov1输出是一个S x S x (5*B+C)的一个张量tensor。

假如是PASCAL VOC数据集的20分类，取S=7,B=2，所以输出为7*7*(2*5+20)的tensor。整个图片最多识别7X7X2个box，最多识别49个目标。如上图，每一个网格只能只能预测两个框，不利于识别密集型目标和小目标。注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的。

bbox的置信度计算

上边说道每个cell要预测B个bbox,每个bbox除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：

其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值

bbox的所属类的置信度计算

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score：

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS处理，就得到最终的检测结果。非极大值抑制解释请移步：目标检测综述(一：历史由来和古典目标检测的出现)_RayChiu757374816的博客-CSDN博客_目标检测起源

Yolo1的损失函数

四个部分

Yolo1的损失函数分为四部分坐标预测、含object的bbox confidence预测、不含object的bbox confidence预测、类别预测，参数的解释：

其中只有当某个网格中有object的时候才对classification error进行惩罚，只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而cell中两个bbox哪个负责就要看其预测值和ground truth box的IoU，IoU最大的负责。

loss函数设计的缺陷

不同类别数量的问题

yolov1的损失函数简单粗暴的采用了sum-squared error loss来做这件事，这种简单粗暴的loss设计在类别数量不同的情况下存在问题： 8维的localization error和20维的classification error同等重要显然是不合理，解决办法就是设置不同的权重分数。

W和H的处理

对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。

总结Yolo1的优点和需要改进的地方

优点：

速度快，达到了完全实时的效率
错误率低（相对于faster rcnn会把很多背景预测为物体）
泛华能力强（论文试验-在美术绘画作品中也有较好的效果）

需要改进之处：

由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。
虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个
YOLO loss函数中，大物体IOU误差和小物体IOU误差对网络训练中loss贡献值接近（虽然采用求平方根方式，但没有根本解决问题）。因此，对于小物体，小的IOU误差也会对网络优化过程造成很大的影响，从而降低了物体检测的定位准确性。

Yolo2

论文地址：

https://arxiv.org/abs/1612.08242

Yolo2网络结构：

可以看到骨干网络换成了DarkNet

Yolo2损失函数

只有YOLO v1明确提出了loss公式,V2和V3都使用了anchor的概念,因此计算loss的方式做出了调整。

Yolo2做的优化

Yolo1 定位误差高，而且相比于基于区域提议的方法，Yolo1 的召回率偏低。针对Yolo1的这些缺点做了以下优化：

High resolution classifier（高分辨率图像分类器）

V1 使用 224×224 分辨率图像训练分类网络，并且将分辨率增加到 448 用于检测，mAP提升了4%

增加BN移除dropout

在所有的卷积层后增加 BatchNormalization 这可以显著改善网络的收敛性，并且有利于正则化模型，防止过拟合。增加 BN以后移除网络的 dropout 。这将 mAP 提升 2%。

Convolution with anchor boxes(使用先验框)

学习RPN使用先验框，这种操作基于的理论是：“模型学习拟合偏移量相对于学习直接拟合出坐标操作会更加容易”，简单说就是预先设定一些预测框，然后在训练的过程中去调整这些检测框（这个过程就是在学习偏移量）

网络通过32 降采样因子，网络输出特征图大小为 13×13；yolov2 将类预测机制与空间位置分离，为每个锚框预测类和目标。v1在每幅图像仅预测 98个框，但是 v2在每幅图像预测超过 1000个框(前提每个anchor 9个Anchor Boxes，实际上通过后边讲的聚类效果发现5个box就能达到Faster RCNN的9中box的效果)。使用锚框导致精度略微下降，但是召回率显著提高。

去掉全连接层的全卷积网络多尺度训练

和SSD一样，模型中只包含卷积和平均池化层（平均池化是为了变为一维向量，做softmax分类）。这样做一方面是由于物体检测中的目标，只是图片中的一个区块，它是局部感受野，没必要做全连接。而是为了输入不同尺寸的图片，如果采用全连接，则只能输入固定大小图片了。全卷积网络使得模型支持多种尺度图像的输入并轮流进行训练

尺寸聚类

通过在训练数据集上运行 k−means聚类算法，为预测框找到较优的先验尺寸,更科学与更准确的选择Anchor Box的尺寸，检测效果更好。

Fine-Grained Features（passthrough层检测细粒度特征）

对象检测面临的一个问题是图像中对象会有大有小，输入图像经过多层网络提取特征，最后输出的特征图中（比如YOLO2中输入416*416经过卷积网络下采样最后输出是13*13），较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，最后输出的特征图需要保留一些更细节的信息。

YOLO2引入一种称为passthrough层的方法在特征图中保留一些细节信息。Passthrough 层类似于 ResNet中的恒等映射，通过将相邻特征堆叠到不同的通道而不是空间位置，来连接高分辨率特征和低分辨率特征。具体来说，就是在最后一个pooling之前，特征图的大小是26*26*512，将其1拆4，直接传递（passthrough）到pooling后（并且又经过一组卷积）的特征图，两者叠加到一起作为输出的特征图。

总结Yolo2的效果优点

小目标检测召回率好了一些
物体距离近的检测效果好了一些
精度好了一些

Yolo3

论文地址：

https://arxiv.org/abs/1804.02767

网络结构：

Yolo3改进之处

引入FPN（多尺度预测）

YOLOv3 借鉴了 FPN 的思想，从不同尺度提取特征。相比 YOLOv2，YOLOv3 提取最后 3 层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出 9 种尺度的 anchor box，将 9 种尺度的 anchor box 均匀的分配给 3 种尺度的特征图。

YOLOv2每个网格分配 5 个锚框，YOLOv3 为每个网格分配 3 个尺度的特征图，每个尺度分配 3 个锚框，一共使用 9 个锚框。输出为N×N×[3∗(4+1+C)] 维度的张量，C为预测的类别数量。

主干网络改为DarkNet-53

更好的基础分类网络（darknet-53, 类似于ResNet引入残差结构）

二分类交叉损失熵分类

在实际应用场合中，一个物体有可能输入多个类别，单纯的单标签分类在实际场景中存在一定的限制。举例来说，一辆车它既可以属于 car（小汽车）类别，也可以属于 vehicle（交通工具），用单标签分类只能得到一个类别。因此在 YOLO v3 在网络结构中把原先的 softmax 层换成了逻辑回归层，从而实现把单标签分类改成多标签分类。用多个 logistic 分类器代替 softmax 并不会降低准确率，可以维持 YOLO 的检测精度不下降。

Softmax和logistic 之间的区别是在一个多分类任务中，如果类别是互斥的使用Softmax，因为Softmax类似于onehot编码，只能有一个被激活；如果类别是不互斥的可以使用Logistic，可能同时激活多个单元。

Yolo4

YOLOv4的特点是集大成者，俗称堆料。但最终达到这么高的性能，一定是不断尝试、不断堆料、不断调参的结果

论文地址

https://arxiv.org/abs/2004.10934

结构图

Backbone：CSPDarknet53， Neck：SPP，PAN， Head：YOLOv3
YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3

堆trick的v4主要的创新点:

从结构4个部分来看创新点：

输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练
BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock
Neck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN结构
Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms

如何提升YOLO对小目标检测的精度

这个问题要从不同版本的角度去分析，比如针对v1版本，可以说v2版本的聚类得到的先验框回归偏差可能会解决小目标检测问题。针对v2可以说v3的多尺度预测、更好的分类网络都能提升对小目标的检测准确率。针对v3可以说v4众多的trick的引入使得网络性能巨大的提升，自然就比v3小目标监测准确率高。

要是针对v5，或者说针对整个base YOLO的模型，那解决的方法就是类似SSD那样在每个尺度的特征图上抽样送入末端卷积层去处理，自然对小目标的检测率会提升，比如说base EfficiNet模型。

或者说效仿base Transformer模型将输入图片划分为多个patch，然后在末端去使用like RCNN去处理，有放大局部目标物体的作用。

参考：目标检测之YOLO算法：YOLOv1,YOLOv2,YOLOv3,TinyYOLO，YOLOv4,YOLOv5,YOLObile,YOLOF,YOLOX详解 - 知乎

如何看待新提出来的YOLOv4？ - 知乎

深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解 - 知乎

行为分析(六)：人形检测部分（一）：YOLOv1-v5的学习笔记_是魏小白吗的博客-CSDN博客

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小蓝xlanll/article/detail/397065

yolo系列网络算法的演变过程_yolo算法发展脉络

目标检测的历史发展历程：

Yolo1

论文地址

Yolo1结构图：

设计思路：

Yolo1输出形状

bbox的置信度计算

bbox的所属类的置信度计算

Yolo1的损失函数

四个部分

loss函数设计的缺陷

总结Yolo1的优点和需要改进的地方

优点：

需要改进之处：

Yolo2

论文地址：

Yolo2网络结构：

Yolo2损失函数

Yolo2做的优化

High resolution classifier（高分辨率图像分类器）

增加BN移除dropout

Convolution with anchor boxes(使用先验框)

去掉全连接层的全卷积网络多尺度训练

尺寸聚类

Fine-Grained Features（passthrough层检测细粒度特征）

总结Yolo2的效果优点

Yolo3

论文地址：

网络结构：

Yolo3改进之处

引入FPN（多尺度预测）

主干网络改为DarkNet-53

二分类交叉损失熵分类

Yolo4

论文地址

结构图

堆trick的v4主要的创新点:

从结构4个部分来看创新点：

相关研究论文：

如何提升YOLO对小目标检测的精度