硬核图解，再填猛男，YOLO详解！

Dear 丶 2022-10-17 01:44 169阅读 0赞

![48a588d9e142f288c3fa15d03edbe783.png][]

PS：大司马金轮，技术教程：[点击查看][Link 1]

大家好，我是 Jack。

承诺的图解 AI 算法系列教程，**今天咱们继续**！

这个系列一直写的比较随性，想写哪个算法就写了哪个，毫无章法。

[「修炼开始」一文带你入门深度学习][Link 2]

[保姆级教程：硬核图解Transformer][Transformer]

[嘿，来聚个类！][Link 3]

好在，文章质量都还不错，虽然硬核了点，但从各方面的反馈来看，还是有不少朋友喜欢看的。

今天，聊一聊人工智能，计算机视觉方向的**重头戏**。

我们都知道，CV 领域最常规的三大任务是：图像分类、目标检测、图像分割。

图像的分类和分割算法实战教程，我在`2019`年就出过了，想看可以往前翻一翻。

目前，就差目标检测还没写过，虽迟但到，**今天它来了**！

## 目标检测 ##

目标检测，应用非常广，是非常重要的技术储备。

目标检测落地场景丰富，可用度非常高，人脸识别、智能安防系统、无人驾驶、无人机等各个领域，目标检测都是核心技术。

举个例子，无人机领域，画面中的车辆、行人等目标的检测。

![a3b7a8f9cc77042b4181778360f64866.png][]

军事上，目标的精准打击，也都有目标检测的身影。

生活上，我们也可以利用检测做很多事情，随手一拍。

![ce6eb92c76537ea85fd31668f1292c88.png][]

目标检测检测出物体，车辆、树木，可能有些人会问，这个检测出来有啥用？

那要是在此基础上，再识别出这些是什么车、什么树？

宝马，奥迪，还是比亚迪？

杨树，柳树，还是白杨树？

再比如，什么品种的猫猫狗狗，什么品牌的衣帽鞋袜。

万物皆可识别，只需随手一拍。这就是很多做视觉的公司，都在做的**重点方向**。

这也是，目标检测+细分类的技术应用的场景之一。先检测出画面中的目标，再将检测出的目标送入更细粒度的分类网络，识别出堪比人，甚至远超人的精细水平。

目标检测，专业一点的概念就是：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。

![4e092eecb3e8379eb99d9a919dd97f8c.png][]

基于深度学习的目标检测算法主要分为两类：

*  Two Stage：两阶段目标检测
 *  One Stage：端到端目标检测

### Two Stage ###

Two Stage 是`2013`年到`2015`年的主流算法，后来逐渐发展为 One Stage 端到端的目标检测算法。

Two Stage 算法是先进行区域生成，该区域称之为 region proposal（简称RP，一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。

任务流程：特征提取 --> 生成RP --> 分类/定位回归。

常见 Two Stage 目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN 和 R-FCN 等。

### One Stage ###

不用 RP，直接在网络中提取特征来预测物体分类和位置。

任务流程：特征提取–> 分类/定位回归。

常见的 One Stage 目标检测算法有：YOLO 系列、SSD 系列、Anchor Free 系列等。

**如今，比较常用、实用的目标检测算法都是 One Stage 的。**

从前，一般讲解目标检测都是从两阶段的 R-CNN 系列开始，但说实话，有些老了，一阶段的 YOLO 从 v1 都发展到 v5 了。

但并不代表 Faster R-CNN 这些就没有学的必要，目标检测的基础，还是很有必要学习一番的，并且不少公司其实还在用这些算法。

现在，一般公司面试，都爱问 YOLO 系列的算法，YOLO v4、YOLO v5 这些。

今天，先来个比较基础的，我们从 YOLO v1 谈起。

## YOLO v1 ##

YOLO 的名字还是很霸气的：`You Only Look Once`。

YOLO 之父是 Joseph Redmon，v1 - v3 是他的作品，篇篇顶会，性能也是，开源口碑非常好。

![f5b87a3113f2d6a707e6d93b03d20c5a.png][]

可惜，发布完 v3 就退圈了，后续的 v4 - v5 ，都是其他团队接手了。

在讲解 YOLO v1 之前，重申一下我们的任务：在一张图片中找出物体，并给出它的类别和位置。

![8ab7b9c6bef1403ba9dab6564291731c.png][]

YOLO v1 的核心思想是：采用利用整张图作为网络的输入，直接在输出层回归 bounding box 的位置和 bounding box 所属的类别。

为了照顾新人，这里解释下 bounding box ，即检测框，就是目标外围带颜色的框框，一般简称 bbox。

YOLO v1 的实现，是将一幅图像分成 SxS 个网格(grid cell)。

**哪个目标物体的中心落在这个网格中，则这个网格负责预测这个目标。**

![4f79a87c765d9997394f51b31b2d154d.png][]

论文中，是将图像分为 7x7 的网格，即上文中的 S=7。如上图所示，红色的点，就是负责检测狗的。

### 网络结构 ###

YOLO v1目标检测一共三个步骤：

![3108cdf70bdda8b0142eae832dad4686.png][]

*  resize图片尺寸
 *  输入网络，出结果
 *  NMS

第一步，resize 很好理解，属于深度学习的常规操作，就是为了将不同尺寸的图片适配到统一的网络结构中，需要 resize 到相同的尺寸。

论文提出的这个网络结构，输入层的尺寸是 448x448，因此在将图片送入网络前，需要将图片 resize 到 448x448。

我们直接看下网络结构，精髓都在这里：

![1a9a47722a1b5ca1d940161981ba8bd1.png][]

这里设计得很巧妙，可以看到网络的最终输出是 7×7×30。还是以这个狗为例，7x7 很好理解，图像分为 7x7 个区域进行预测。

最终输出 tensor 的前五个数值，分别是 bbox 的 x,y,w,h,c，即 bbox 的中心坐标 x,y，bbox 的宽高 w,h，bbox 的置信度。

置信度就是算法的自信心得分，越高表示越坚信这个检测的目标没错。

而一个中心点，会检测 2 个 bbox ，这个操作可以减少漏检，因为可以适应不同形状的 bbox，进而提高bbox 的准确率。

![20954e1942292e6f2b96d001510ceedc.png][]

2 个 bbox 都会保留，最后通过 NMS 选择出最佳的 bbox，这个操作最后再讲。

而后面的 20 个，就是类别的概率，YOLO v1 是在 VOC 数据集上训练的，因此一共 20 个类。

![eaf37afc96db469b5eade40086b54f05.png][]

因此，tensor 总共加起来就是 7×7×(2×5+20)，写成公式就是：SxSx(Bx5+C)。

**这里的问题，可以当作回归问题来解决的。所有的输出包括坐标和宽高都定义在0到1之间。**

![8f07f75a34e22496190dbd8631f95a76.png][]

来看一下每个单元格预测的B个(x,y,w,h,confidence)的向量和C的条件概率中，每个参数的含义(假设图片宽为高为，将图片分为：

(x,y)是bbox的中心相对于单元格的offset

对于下图中蓝色框的那个单元格坐标为，假设它预测的输出是红色框的bbox,设bbox的中心坐标为，那么最终预测出来的是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下：

(w,h)是bbox相对于整个图片的比例

预测的 bbox 的宽高为 ，表示的是 bbox 的是相对于整张图片的占比，计算公式如下：

confidence

这个置信度是由两部分组成，一是格子内是否有目标，二是bbox的准确度。定义置信度为 Object 。

这里，如果格子内有物体，则 Object ，此时置信度等于IoU。如果格子内没有物体，则 Object ，此时置信度为0。

C类的条件概率

条件概率定义为 Class Object ，表示该单元格存在物体且属于第 i 类的概率。

在测试的时候每个单元格预测最终输出的概率定义为：

### NMS ###

经过网络处理后，将 的结果送入 NMS ，最后即可得到最终的输出框结果。

NMS，即非极大值抑制，就是将一些冗余框去掉，示意图如下：

![b57f9bcc6a078ce60fe386c88b7a27a8.png][]

NMS 别看简单，**面试常考题**，比如动手实现一个 NMS 代码之类的。

这个概念千万不要懵懵懂懂，细节决定成败。省着被嘲讽：**NMS都不会，做什么Detection**！

![c5663afef157fb1a0d1f11f32aa4fc6a.png][]

学 NMS ，先要理解 IOU。

IOU 即Intersection over Union，也就是两个box区域的交集比上并集，下面的示意图就很好理解，用于确定两个框的位置像素距离。

![8985c6c5f80cb14530f6289640f177fd.png][]

*  首先计算两个box左上角点坐标的最大值和右下角坐标的最小值
 *  然后计算交集面积
 *  最后把交集面积除以对应的并集面积

就这简单，NMS 就是通过计算 IOU 来去除冗余框的，具体的实现思路如下。

以下图为例，进行说明：

![1335ce3a312cab960d16bfa3a3e86f57.png][]

就像上面的图片一样，定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。

非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。

(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。

就这样一直重复，找到所有被保留下来的矩形框。

代码实现：

# --------------------------------------------------------
    # Fast R-CNN
    # Copyright (c) 2015 Microsoft
    # Licensed under The MIT License [see LICENSE for details]
    # Written by Ross Girshick
    # --------------------------------------------------------
    
    import numpy as np
    
    def py_cpu_nms(dets, thresh):
        """Pure Python NMS baseline."""
        #x1、y1、x2、y2、以及score赋值
        x1 = dets[:, 0]                     # pred bbox top_x
        y1 = dets[:, 1]                     # pred bbox top_y
        x2 = dets[:, 2]                     # pred bbox bottom_x
        y2 = dets[:, 3]                     # pred bbox bottom_y
        scores = dets[:, 4]              # pred bbox cls score
        #每一个检测框的面积
        areas = (x2 - x1 + 1) * (y2 - y1 + 1)    # pred bbox areas
        order = scores.argsort()[::-1]              # 对pred bbox按score做降序排序，对应step-2
        #保留的结果框集合
        keep = []    
        while order.size > 0:
            i = order[0]          # top-1 score bbox
            keep.append(i)   #保留该类剩余box中得分最高的一个
            #得到相交区域,左上及右下
            xx1 = np.maximum(x1[i], x1[order[1:]])   # top-1 bbox（score最大）与order中剩余bbox计算NMS
            yy1 = np.maximum(y1[i], y1[order[1:]])
            xx2 = np.minimum(x2[i], x2[order[1:]])
            yy2 = np.minimum(y2[i], y2[order[1:]])
            
            #计算相交的面积,不重叠时面积为0
            w = np.maximum(0.0, xx2 - xx1 + 1)
            h = np.maximum(0.0, yy2 - yy1 + 1)
            inter = w * h
            #计算IoU：重叠面积 /（面积1+面积2-重叠面积）
            ovr = inter / (areas[i] + areas[order[1:]] - inter)
            #保留IoU小于阈值的box
            inds = np.where(ovr <= thresh)[0]     # 这个操作可以对代码断点调试理解下，结合step-3，我们希望剔除所有与当前top-1 bbox IoU > thresh的冗余bbox，那么保留下来的bbox，自然就是ovr <= thresh的非冗余bbox，其inds保留下来，作进一步筛选
            #因为ovr数组的长度比order数组少一个，所以这里要将所有下标后移一位
            order = order[inds + 1]   # 保留有效bbox，就是这轮NMS未被抑制掉的幸运儿，为什么 + 1？因为ind = 0就是这轮NMS的top-1，剩余有效bbox在IoU计算中与top-1做的计算，inds对应回原数组，自然要做 +1 的映射，接下来就是step-4的循环
    
        return keep    # 最终NMS结果返回
    
    if __name__ == '__main__':
        dets = np.array([[100,120,170,200,0.98],
                         [20,40,80,90,0.99],
                         [20,38,82,88,0.96],
                         [200,380,282,488,0.9],
                         [19,38,75,91, 0.8]])
    
        py_cpu_nms(dets, 0.5)

### LOSS ###

从图片 resize 到网络结构，再到 NMS 都讲完了，最后再说下算法的重中之重，损失函数。

损失函数是一个复合损失函数，一共是 5 项相加：

![3436544d789be50f6aee40ea06e38e41.png][]

更详细的注释，可以看这张图：

![c808ead5eac8bc051171f9f2ea63cacd.png][]

简单解释下：

所有的损失都是使用平方和误差公式，暂时先不看公式中的 与 ，输出的预测数值以及所造成的损失有:

1.  预测框的中心点 。造成的损失是图五中的第一行。其中 为控制函数，在标签中包含物体的那些格点处，该值为 1 ；若格点不含有物体，该值为 0。也就是只对那些有真实物体所属的格点进行损失计算，若该格点不包含物体，那么预测数值不对损失函数造成影响。 数值与标签用简单的平方和误差。
2.  预测框的宽高 。造成的损失是图五的第二行。 的含义一样，也是使得只有真实物体所属的格点才会造成损失。这里对 在损失函数中的处理分别取了根号，原因在于，如果不取根号，损失函数往往更倾向于调整尺寸比较大的预测框。例如，20 个像素点的偏差，对于 800x600 的预测框几乎没有影响，此时的IOU数值还是很大，但是对于 30x40 的预测框影响就很大。取根号是为了尽可能的消除大尺寸框与小尺寸框之间的差异。
3.  第三行与第四行，都是预测框的置信度C。当该格点不含有物体时，即 =1， 该置信度的标签为0；若含有物体时，该置信度的标签为预测框与真实物体框的IOU数值（IOU计算公式为：两个框交集的面积除以并集的面积）。
4.  第五行为物体类别概率P，对应的类别位置，该标签数值为1，其余位置为0，与分类网络相同。

此时再来看 与 ，YOLO 面临的物体检测问题，是一个典型的类别数目不均衡的问题。其中 49 个格点，含有物体的格点往往只有 3、4 个，其余全是不含有物体的格点。此时如果不采取点措施，那么物体检测的mAP不会太高，因为模型更倾向于不含有物体的格点。 与 的作用，就是让含有物体的格点，在损失函数中的权重更大，让模型更加“重视”含有物体的格点所造成的损失。在论文中， 与 的取值分别为 5 与 0.5 。

## 最后 ##

YOLO v1 的代码实现，有很多，Pytorch 和 Tensorflow 等各种版本都有，因为毕竟属于出名算法。

Github 一搜，找个 Star 高的即可。

最后再送大家一本，帮助我拿到 BAT 等一线大厂 offer 的数据结构刷题笔记，是一位 Google 大神写的，对于算法薄弱或者需要提高的同学都十分受用：

[谷歌和阿里大佬的Leetcode刷题笔记][Leetcode]

以及我整理的 BAT 算法工程师学习路线，书籍+视频，完整的学习路线和说明，对于想成为算法工程师的，绝对能有所帮助（提取码：jack）：

[我是如何成为算法工程师的，超详细的学习路线][Link 4]

PS：大司马金轮，技术教程：[点击查看][Link 1]

**别光收藏，来个赞哦，笔芯~**

我是 Jack，我们下期见~

[48a588d9e142f288c3fa15d03edbe783.png]: /images/20221014/3795ddc0964547ce94b1efe8daa24e88.png
[Link 1]: https://mp.weixin.qq.com/s/5kIN2Da-Bw-furkG-_N9nA
[Link 2]: https://mp.weixin.qq.com/s/ABvmPbFU9XfkOWj42Tv9jQ
[Transformer]: https://mp.weixin.qq.com/s/jx-2Ai2YKbwODW6uJaF3hQ
[Link 3]: https://mp.weixin.qq.com/s/oxB5icj8KOfFja8XTHf7jg
[a3b7a8f9cc77042b4181778360f64866.png]: /images/20221014/a34b114c29c141fbb0fa32157dd895f3.png
[ce6eb92c76537ea85fd31668f1292c88.png]: /images/20221014/73689fef78fc4fe585107cfbce17207d.png
[4e092eecb3e8379eb99d9a919dd97f8c.png]: /images/20221014/9fc1e47985a040a3b3127c6a3def3233.png
[f5b87a3113f2d6a707e6d93b03d20c5a.png]: /images/20221014/c7b78ce54d5142e3a38b053a7877ed03.png
[8ab7b9c6bef1403ba9dab6564291731c.png]: /images/20221014/8a8faa991a504995921cd3bf0cca71a2.png
[4f79a87c765d9997394f51b31b2d154d.png]: /images/20221014/a291bbe415ae4cfda24adb8ae3058305.png
[3108cdf70bdda8b0142eae832dad4686.png]: /images/20221014/c5bc10fd3166447e9aa43bb42ebbef7f.png
[1a9a47722a1b5ca1d940161981ba8bd1.png]: /images/20221014/b2eeffde220a4dde8d129b3b53a140c4.png
[20954e1942292e6f2b96d001510ceedc.png]: /images/20221014/182c47782f6743789b80e410d41f6247.png
[eaf37afc96db469b5eade40086b54f05.png]: /images/20221014/f63ad6ae22ef4e449d637729a216a11a.png
[8f07f75a34e22496190dbd8631f95a76.png]: /images/20221014/0e89034ae9434d5b8d894a2de8f933c8.png
[b57f9bcc6a078ce60fe386c88b7a27a8.png]: /images/20221014/8f63427ea26a4f70b22dc3381ca4991b.png
[c5663afef157fb1a0d1f11f32aa4fc6a.png]: /images/20221014/7bd781b6120f47e08f08f6b7bd9173fd.png
[8985c6c5f80cb14530f6289640f177fd.png]: /images/20221014/69a46e25fb8b4ef4a2e8f484ffbaa01c.png
[1335ce3a312cab960d16bfa3a3e86f57.png]: /images/20221014/ecb038538fa44f83bfa09f012a194378.png
[3436544d789be50f6aee40ea06e38e41.png]: /images/20221014/96e3e4a5433946a7862115c7492dd57d.png
[c808ead5eac8bc051171f9f2ea63cacd.png]: /images/20221014/eeeda9f0034d4e1290d08eb9edc640b5.png
[Leetcode]: https://wwa.lanzoui.com/iwmlNp2u1ib
[Link 4]: https://pan.baidu.com/s/12tbVrUF056pY7aCyMpgl1w