yolo网络整理-网络结构原理与anchor_yolov5还在维护么

YOLOv5 是Glenn Jocher等人操刀研发，Ultralytics公司的开源项目，项目地址可点击。2020年6月发布以来，Ultralytics公司一直在对项目进行维护与更新，目前repo的star数目突破44k，YOLOv5的功能在迭代中越发强大与完善，目前支持多平台多框架，以及涵盖语义分割等功能，成为越来越强大的检测工具。

1、理解anchor

想要理解检测神经网络，绕不开的就是anchor的具体设定和来源，所以在第一章节我们就聊一聊anchor的起源。
回忆早先处理的人脸识别算法，使用的是Haar级联+boost分类器的方式来做，如果我们要检测下图中小女孩的人脸位置，一个比较简单暴力的方法就是滑窗，我们使用不同大小、不同长宽比的候选框在整幅图像上进行穷尽式的滑窗，然后提取窗口内的特征（例如Haar、LBP、Hog等特征），再送入分类器（SVM、Adaboost等）判断该窗口内包含的是否为人脸。这种方法简单易理解，但是这类方法受限于手动设计的特征，召回率和准确率通常不是很高。

在深度学习时代，大名鼎鼎的RCNN和Fast RCNN依旧依赖滑窗来产生候选框，也就是Selective Search算法，该算法优化了候选框的生成策略，但仍旧会产生大量的候选框，导致即使Fast RCNN算法，在GPU上的速度也只有三、四帧每秒。直到Faster RCNN的出现，提出了RPN网络，使用RPN直接预测出候选框的位置。RPN网络一个最重要的概念就是anchor，启发了后面的SSD和YOLOv2等算法，虽然SSD算法称之为default box，也有算法叫做prior box，其实都是同一个概念，他们都是anchor的别称。

1.1 anchor的概念

Archor就是在图像上预设好的不同大小，不同长宽比的参照框，其实非常类似于上面的滑窗法所设置的窗口大小。举例来说如果我们在38x38、19x19、10x10、5x5的四个特征图上，每张图上分别设置4、6、6、6个不同大小和长宽比的anchor，所以一共有38x38x4+19x19x6+ 10x10x6+5x5x6=8692个anchor。
借助神经网络强大的拟合能力，我们不再需要计算Haar、Hog等特征，直接让神经网络输出，每个anchor是否包含（或者说与物体有较大重叠，也就是IoU较大）物体，以及被检测物体相对本anchor的中心点偏移以及长宽比例。

一般的目标检测网络可能有成千上万个anchor，例如标准SSD在300x300输入下有8732个anchor，在500x500下anchor数量过万。我们拿上图中的三个anchor举例，神经网络的输出，也就是每个anchor认为自己是否含有物体的概率，物体中心点与anchor自身的中心点位置的偏移量，以及相对于anchor宽高的比例。因为anchor的位置都是固定的，所以就可以很容易的换算出来实际物体的位置。以图中的小猫为例，红色的anchor就以99%的概率认为它是一只猫，并同时给出了猫的实际位置相对于该anchor的偏移量，这样，我们将输出解码后就得到了实际猫的位置，如果它能通过NMS（非最大抑制）筛选，它就能顺利的输出来。但是，绿色的anchor就认为它是猫的概率就很小，紫色的anchor虽然与猫有重叠，但是概率只有26%。

1.2 如何科学的设置Anchor

FasterRCNN的RPN网络部分，anchor为三个尺度{128, 256, 512}，三个比例{1:1, 1:2, 2:1}，所以一共9组anchor。

在SSD论文中，作者使用6组定位层，每个定位层分别有6个anchor（不过第一和最后一个定位层只有4个）。一个尺度，分别有1:1、1:2、2:1、1:3、3:1五个不同宽高比，再加一个与特征图的anchor尺度特异性相关的尺寸，因此共有六个尺寸。

YOLOv3在三个不同尺度，每个尺度三个不同大小的anchor，一共九组。这位退出CV圈的Joseph Redmon大神是在YOLOv2版本开始使用kmeans方法聚类得到合适的anchor。可以得出的是大佬们的anchor数据都是在实际的公开数据集上，都是根据数据的实际分布来设置的，所以，我们在自己的数据集上训练目标检测网络时，也需要针对自身数据分布的特性对Anchor进行针对性的修改，这部分工作在YOLOv5代码仓库中也是有体现的。

本章节参考文献：
新手也能彻底搞懂的目标检测Anchor是什么？

2、网络流程

在理解anchor之后，我们可以理解一下yolo网络架构了。
YOLOv5是对三个尺度的特征图进行目标检测的，即large（大）、medium（中）、small（小）三个尺度。

1. 准备工作（Input中进行）：图片需要经过数据增强（尤其是Mosaic数据增强），并且初始化一组anchor预设（YOLOv5_v6针对不同参数量的模型给出了不同的通用预设）。
2. 特征提取（Backbone中进行）：使用了Conv、C3、SPPF基本结构对输入图片进行特征提取。Conv用于对输入进行下采样（共进行了5次下采样）；C3用于对输入进行特征提取、融合，丰富特征的语义信息，在这个过程中使用了Boottleneck减少参数量和计算量、借鉴CSPNet思想增强CNN学习能力；SPPF利用池化、特征融合的方式丰富特征的语义信息，使得最深层的特征图拥有极丰富的语义信息。
3. 加工特征（Neck中进行）：对要进行目标检测的三种尺度的特征图融合浅层特征（浅层特征有利于检测）。v6借鉴了PANet，对提取的特征图融合浅层特征，使得特征图既具有丰富的语义信息又具有物体准确的位置信息。
4. 预测目标（Head中进行）：对加工后的特征图进行预测，根据损失函数（Classificition Loss和Bounding Box Regeression Loss）和优化器优化参数权重。

YOLO内部出现比较多的网络结构，在本章节不进行逐一介绍，可以参考下文的参考文献对此部分内容进行了解。

参考文献：

目标检测：新手也能彻底搞懂的YOLOv5详解
深入浅出Yolo系列之Yolov5核心基础知识完整讲解

3、网络输出与LOSS

3.1网络输出

YOLOv5的输出端主要是预测框，每个预测框由以下信息组成：

• 置信度（confidence score）：表示该框内是否存在目标的概率，取值范围为0到1。

• 类别概率（class probabilities）：表示该框内目标属于各个类别的概率，一般是预先定义好的类别数量。

• 边界框位置（bounding box coordinates）：表示目标的位置和大小，一般用矩形框来表示。

grid cell为20x20，输入为640x640的图像下采样32倍得到20x20，对应输入图像的感受野是32x32；grid cell为40x40，输入为640x640的图像下采样16倍得到40x40，对应输入图像的感受野是16x16；grid cell为80x80，输入为640x640的图像下采样8倍得到80x80，对应输入图像的感受野是8x8。

每个gred cell生成三个锚框，每一个锚框对应一个预测框，每一个预测框有 5(x,y,w,h,置信度) + 80(80个类别的条件概率)， 3x85=255。

3.2 NMS非极大值抑制

在目标检测任务中，一个物体可能被多个预测框检测出来，为了避免对同一个物体进行多次检测，需要对重复的预测框进行过滤，这个过程就是非极大值抑制（Non-maximum suppression，简称NMS）。

在YOLOv5中，NMS主要是通过以下几个步骤实现的：

首先，对所有预测框按照置信度从高到低进行排序。

然后，从置信度最高的预测框开始，依次遍历每个预测框，判断该预测框与后面所有预测框之间的IOU值是否大于一定的阈值（一般为0.5或0.6）。

如果IOU值大于阈值，则将该预测框从候选框列表中剔除，否则保留该预测框。

继续遍历下一个预测框，重复上述步骤，直到所有预测框都被遍历一遍。

最终，保留下来的预测框就是经过NMS处理后的结果，即每个物体只对应一个预测框。

NMS算法的核心是通过比较重复预测框之间的IOU值，去除冗余的预测框，保留最优的结果。在YOLOv5中，NMS可以避免同一个物体被重复检测的问题，提高了检测的精度和效率。