YOLO Object Detection 目标检测

本文基本上是 YOLO V1 Bilibili 讲解 的笔记, 可以直接看视频学习.

Task Objective 任务目标

• 识别东西是什么
• 将东西的位置框起来

两类方法

解决这个问题的方法有两类:

• One-stage: 推理速度快, 可实时
  • E.g., YOLO, SSD, RetinaNet
• Two-stage: 准确率高
  • Region Proposal 候选区: 先从图片中提取出可能包含目标的 1000-2000 个区域, 然后对每个候选区进行目标对象识别操作.
  • E.g., Faster R-CNN, Mask R-CNN, Cascade R-CNN

One stage 和 Two stage 流程框图对比

MSCOCO 数据集有物体名字和位置标注

损失函数

交并比用来衡量预测地好不好

YOLO V1

Network Structure 网络结构

Figure 1: YOLO V1 的网络结构 [1]

Figure 2: Figure fig-yolo-v1 的 Back-Bone 网络其实是若干的卷积网络 [2]

说明:

• Figure fig-back-bone: -s-2 表示 stride 步长为 2.

• 输入输出:

  • 输入是一张正方形的图片 (长宽像素各为 \(448\), 有 3 个通道: RGB).

  • 输出的 tensor 大小为 \(7 \times 7 \times 30\)

Label Tensor 标签张量

• MSCOCO 数据集需要先转换成另外一种形式 (Figure fig-yolo-v1-data-labeling) 再喂给 TOLO V1 神经网络 (即换一种形式打标签而已).

  

  Figure 3: YOLO V1: \(S = 7\), 总共

• 每张图片都有 \(S \times S = 49\) 个 grid cell, 每一个 grid cell 都被一个 \(30 \times 1\) 的向量描述, 相当于一张图片都对应了一个 \(7 \times 7 \times 30\) 的 label tensor.

  • Figure fig-back-bone 中网络的输出也是一个 \(7 \times 7 \times 30\) 的 tensor, 但这是 Prediction Tensor 预测张量 (sec-prediction-tensor), 不能混为一谈.

• 如果有两个物体的中心点都落在同一个 grid cell 中, YOLO V1 只会保留其中一个.

Prediction Tensor 预测张量

1.

上下求索电子Er (2025) [YOLO V1] 数据标注和输出张量_哔哩哔哩_bilibili

2.

Redmon J, Divvala S, Girshick R, Farhadi A (2016) You only look once: Unified, real-time object detection