淺談YOLO系列的神經(jīng)網(wǎng)絡(luò)模型從v1到v7的演進(jìn)

經(jīng)典再回顧，本文介紹v1到v3。

如果你需要速度快的目標(biāo)檢測(cè)器，那么 YOLO 系列的神經(jīng)網(wǎng)絡(luò)模型實(shí)際上是當(dāng)今的標(biāo)準(zhǔn)。

解決檢測(cè)問題還有很多其他優(yōu)秀的模型，但我們不會(huì)在這篇綜述中涉及它們。

目前，已經(jīng)寫了相當(dāng)多的文章來分析 YOLO 各個(gè)版本的功能。本文的目的是對(duì)整個(gè)家族進(jìn)行比較分析。我們想看看架構(gòu)的演變，這樣我們就可以更好地了解檢測(cè)器是如何發(fā)展，哪些發(fā)展提高了性能，也許還可以想象事情的發(fā)展方向。

在YOLO出現(xiàn)之前，檢測(cè)圖像中目標(biāo)的主要方法是使用各種大小的滑動(dòng)窗口按順序穿過原始圖像的各個(gè)部分，以便分類器給出圖像的哪個(gè)部分包含哪個(gè)目標(biāo)。這種方法是合乎邏輯的，但非常慢。

一段時(shí)間之后，出現(xiàn)了一個(gè)特殊的部分，它暴露了感興趣的區(qū)域 —— 一些假設(shè)，圖像上可能有有趣的東西。但是這些感興趣區(qū)域還是太多，有數(shù)千個(gè)。最快的算法，F(xiàn)aster R-CNN，平均在0.2秒內(nèi)處理一張圖片，每秒5幀?？偟膩碚f，在出現(xiàn)一種全新的方法之前，速度不容樂觀。

有什么新奇之處？

在以前的方法中，原始圖像的每個(gè)像素可以被神經(jīng)網(wǎng)絡(luò)處理數(shù)百甚至數(shù)千次。每次這些像素都通過相同的神經(jīng)網(wǎng)絡(luò)傳遞，經(jīng)過相同的計(jì)算。是否可以做一些事情以免重復(fù)相同的計(jì)算？

事實(shí)證明，這是可能的。但為此，我們不得不稍微重新表述問題。如果說以前它是一個(gè)分類任務(wù)，那么現(xiàn)在它變成了一個(gè)回歸任務(wù)。

YOLO aka YOLOv1

讓我們考慮第一個(gè) YOLO 模型，也稱為 YOLOv1。

作者

Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi

主要論文

“You Only Look Once: Unified, Real-Time Object Detection”, publication date 2015/06

性能比較

Pascal VOC 2007上的實(shí)時(shí)系統(tǒng)。YOLO是有記錄以來最快的Pascal VOC檢測(cè)檢測(cè)器，其準(zhǔn)確性仍然是任何其他實(shí)時(shí)檢測(cè)器的兩倍。

結(jié)構(gòu)

在結(jié)構(gòu)上，YOLO 模型由以下部分組成：

input ― 輸入圖像被饋送到的輸入層

backbone — 輸入圖像以特征形式編碼的部分。

neck — 這是模型的其他部分，用于處理按特征編碼的圖像

head — 生成模型預(yù)測(cè)的一個(gè)或多個(gè)輸出層。

該網(wǎng)絡(luò)的第一個(gè)版本基于GoogLeNet的架構(gòu)。卷積層接MaxPool層級(jí)聯(lián)，最后以兩個(gè)全連接層的級(jí)聯(lián)作為結(jié)束。

此外，作者訓(xùn)練了Fast YOLO架構(gòu)的更快版本，包含更少的卷積層（9而不是24）。兩個(gè)模型的輸入分辨率均為 448x448，但網(wǎng)絡(luò)主要部分的預(yù)訓(xùn)練通過分辨率為 224x224 的分類器訓(xùn)練。

在此結(jié)構(gòu)中，原始圖片被劃分為 S x S 單元格（在原始 7 x 7 中），每個(gè)單元格預(yù)測(cè) B 個(gè)邊界框，這些 bbox 中存在目標(biāo)的置信度，以及 C 類的概率。每條邊的單元格數(shù)是奇數(shù)，因此圖像的中心有一個(gè)單元格。這比偶數(shù)具有優(yōu)勢(shì)，因?yàn)檎掌闹行耐ǔＳ幸粋€(gè)主要目標(biāo)，在這種情況下，主要的預(yù)測(cè)是在中心單元格中進(jìn)行的。在區(qū)域數(shù)量為偶數(shù)的情況下，中心可能位于四個(gè)中央?yún)^(qū)域中的某個(gè)位置，這降低了網(wǎng)絡(luò)的置信水平。

置信度值表示模型對(duì)給定 bbox 包含某個(gè)目標(biāo)的置信度，以及 bbox 預(yù)測(cè)其位置的準(zhǔn)確度。事實(shí)上，這是IoU存在物體概率的乘積。如果單元格中沒有目標(biāo)，則置信度為零。

每個(gè) bbox 由 5 個(gè)數(shù)字組成：x、y、w、h 和置信度。（x， y）為單元格內(nèi) bbox 中心的坐標(biāo)，w 和 h為 bbox相對(duì)于整個(gè)圖片尺寸的歸一化的寬度和高度，即歸一化從 0 到 1 的值。置信度是預(yù)測(cè)的 bbox 和GT框之間的 IoU。每個(gè)單元格還預(yù)測(cè)目標(biāo)類的 C 個(gè)條件概率。每個(gè)單元格僅預(yù)測(cè)一組類別，而不考慮 bbox的數(shù)量。

因此，在一次前向中，預(yù)測(cè)了 S×S×B個(gè)包圍框。他們中的大多數(shù)框的置信度都很低，但是，通過設(shè)置一定的閾值，我們可以去除其中的很大一部分。但最重要的是，（與競(jìng)爭對(duì)手相比）檢測(cè)率提高了幾個(gè)數(shù)量級(jí)。這是非常合乎邏輯的，因?yàn)樗蓄悇e的所有 bbox 現(xiàn)在只需一次預(yù)測(cè)。對(duì)于不同的實(shí)現(xiàn)，原始文章給出了從 45 到 155 的FPS。盡管與以前的算法相比，mAP的準(zhǔn)確性仍然有所下降，但在某些問題中，實(shí)時(shí)檢測(cè)更為重要。

得到檢測(cè)框

由于與物體中心相鄰的單元格也可以產(chǎn)生bbox，從而導(dǎo)致框過多，因此有必要選擇其中最好的。為此，使用NMS技術(shù)，其工作原理如下。此類的所有 bbox，置信度低于給定閾值的那些將被丟棄。對(duì)于其余部分，執(zhí)行IoU的成對(duì)比較過程。如果兩個(gè)框的 IoU > 0.5，則丟棄置信度較低的框。否則，兩個(gè)框都會(huì)保留在列表中。因此，類似的框被抑制了。

損失函數(shù)是組合的，具有以下形式：

第一項(xiàng)是目標(biāo)中心坐標(biāo)的損失，第二項(xiàng)是框尺寸的損失，第三項(xiàng)是目標(biāo)的類損失，如果目標(biāo)不存在，則第四項(xiàng)是類的損失，第五項(xiàng)是在框中找到某個(gè)目標(biāo)的概率。

需要 lambda 系數(shù)來防止置信度變?yōu)榱悖驗(yàn)榇蠖鄶?shù)單元格中沒有目標(biāo)。1(obj,i)?表示的中心是否出現(xiàn)在單元格 i 中，1(obj,i,j)?表示單元格 i 中的第 j 個(gè) bbox 負(fù)責(zé)此預(yù)測(cè)。

優(yōu)勢(shì)

高速

比當(dāng)時(shí)的競(jìng)爭對(duì)手更好的泛化能力，在另一個(gè)領(lǐng)域進(jìn)行測(cè)試（訓(xùn)練是在ImageNet上進(jìn)行的）顯示出更好的性能。

圖像背景部分的誤報(bào)更少。

局限性

每個(gè)單元格 2 個(gè) bbox 和一個(gè)類目標(biāo)的限制。這意味著一堆小物體的識(shí)別度較低。

原始圖像的幾個(gè)連續(xù)下采樣導(dǎo)致精度不高。

損失的設(shè)計(jì)方式是，它對(duì)大框和小框的錯(cuò)誤具有同樣懲罰。作者試圖通過取尺寸大小的根來補(bǔ)償這種影響，但這并沒有完全消除這種影響。

YOLOv2 / YOLO9000

作者

Joseph Redmon, Ali Farhadi

主要論文

“YOLO9000: Better, Faster, Stronger”, publication date 2016/12

性能比較

Pascal VOC 2007的檢測(cè)框架。YOLOv2 比以前的檢測(cè)方法更快、更準(zhǔn)確。它還可以以不同的分辨率運(yùn)行，以便在速度和準(zhǔn)確性之間輕松權(quán)衡。每個(gè) YOLOv2 條目實(shí)際上是具有相同權(quán)重的相同訓(xùn)練模型，只是以不同的大小進(jìn)行評(píng)估。所有計(jì)時(shí)信息均在 Geforce GTX Titan X 上測(cè)試。

結(jié)構(gòu)特點(diǎn)

作者對(duì)模型的第一個(gè)版本進(jìn)行了一些改進(jìn)。

刪除了 dropout，并在所有卷積層中添加了BN。

預(yù)訓(xùn)練為分辨率為 448x448 的分類器（YOLOv1 分辨率為 224x224），然后將最終網(wǎng)絡(luò)縮小到 416x416 輸入，以產(chǎn)生奇數(shù)個(gè) 13x13 單元。

刪除了全連接層。相反，他們開始使用全卷積和錨框來預(yù)測(cè)bbox（如Faster RCNN）。這樣可以減少空間信息的丟失（就像在 v1 中的全連接層中一樣）。

刪除了一個(gè)最大池化以增加特征的細(xì)節(jié)（分辨率）。在 v1 中，每張圖片只有 98 個(gè) bbox，使用 V2 中的錨點(diǎn)，結(jié)果有超過 1000 個(gè) bbox，而 mAP 略有下降，但召回率顯著增加，這使得提高整體準(zhǔn)確性成為可能。

維度先驗(yàn)。bbox的大小和位置不是像FasterRCNN那樣隨機(jī)手動(dòng)選擇的，而是通過k-means聚類自動(dòng)選擇的。盡管在小bbox上使用具有歐氏距離的標(biāo)準(zhǔn)k均值，但檢測(cè)誤差更高，因此對(duì)于k均值，選擇了另一個(gè)距離度量，1 - IoU（box，質(zhì)心）。選擇5個(gè)作為分組數(shù)目的折衷方案。測(cè)試表明，對(duì)于以這種方式選擇的 5 個(gè)質(zhì)心，平均 IoU 與 9 個(gè)錨點(diǎn)大致相同。

直接位置預(yù)測(cè)。最初，對(duì)于錨，與確定中心（x，y）坐標(biāo)相關(guān)的網(wǎng)絡(luò)訓(xùn)練存在不穩(wěn)定性：由于網(wǎng)絡(luò)權(quán)重是隨機(jī)初始化的，并且坐標(biāo)預(yù)測(cè)是線性的，大小是沒有限制的。因此，我們沒有預(yù)測(cè)相對(duì)于錨中心的偏移量，其中系數(shù)的正確范圍是 [-1，1]，而是決定預(yù)測(cè) bbox 相對(duì)于單元格中心的偏移，范圍 [0，1]，并使用 sigmoid 來限制它。網(wǎng)絡(luò)為每個(gè)單元格預(yù)測(cè) 5 個(gè) bbox，每個(gè) bbox 5 個(gè)數(shù)字：tx、ty、tw、th、to。bbox 的預(yù)測(cè)參數(shù)計(jì)算如下：

具有維度先驗(yàn)和位置預(yù)測(cè)的邊界框。我們將框的寬度和高度預(yù)測(cè)為聚類質(zhì)心的偏移量。我們使用 sigmoid 函數(shù)預(yù)測(cè)框相對(duì)于中心坐標(biāo)的偏移。

細(xì)粒度特征。特征映射現(xiàn)在為 13x13。

多尺度訓(xùn)練。由于網(wǎng)絡(luò)是全卷積的，因此只需更改輸入圖像的分辨率即可動(dòng)態(tài)更改其分辨率。為了提高網(wǎng)絡(luò)的魯棒性，其輸入分辨率每 10 批次更改一次。由于網(wǎng)絡(luò)縮小了 32 倍，因此輸入分辨率是從集合 {320， 352， ...， 608} 中選擇的。網(wǎng)絡(luò)的大小從 320x320 調(diào)整為 608x608。

加速。VGG-16作為v1的骨干，太重了，所以在第二個(gè)版本中使用了darknet-19：

訓(xùn)練分類器后，從網(wǎng)絡(luò)中刪除最后一個(gè)卷積層，添加三個(gè)具有 1024 個(gè)濾波器的 3x3 卷積層和一個(gè)具有檢測(cè)所需輸出數(shù)量的最終 1x1的卷積層。在 VOC 的情況下，它是 5 個(gè) bbox，每個(gè) bbox 有 5 個(gè)坐標(biāo)，每個(gè) bbox 有 20 個(gè)類，總共有 125 個(gè)濾波器。

分層分類。在 v1 中，這些類屬于同一類目標(biāo)并且是互斥的，而在 v2 中引入了 WordNet 樹結(jié)構(gòu)，這是一個(gè)有向圖。每個(gè)類別中的類都是互斥的，并且有自己的softmax。因此，例如，如果圖片顯示已知品種網(wǎng)絡(luò)的狗，則網(wǎng)絡(luò)將返回狗和特定品種的類。如果是網(wǎng)絡(luò)未知品種的狗，那么它只會(huì)返回狗的類別。因此，訓(xùn)練了 YOLO9000，它是具有 3 個(gè)先驗(yàn)的 v2，而不是 5 個(gè)和 9418 個(gè)目標(biāo)類。

ImageNet vs WordTree上的預(yù)測(cè)。大多數(shù) ImageNet 模型使用一個(gè)大的 softmax 來預(yù)測(cè)概率分布。使用WordTree，我們對(duì)共同下義詞執(zhí)行多個(gè)softmax操作。

使用 WordTree 層次結(jié)構(gòu)合并數(shù)據(jù)集。使用WordNet概念圖，我們構(gòu)建了一個(gè)視覺概念的分層樹。然后，我們可以通過將數(shù)據(jù)集中的類映射到樹中的合成集來將數(shù)據(jù)集合并在一起。這是 WordTree 的簡化視圖，用于說明目的。

優(yōu)勢(shì)

現(xiàn)在它不僅是速度方面的 SOTA，而且在 mAP 方面也是。

現(xiàn)在可以更好地檢測(cè)小物體。

YOLOv3

作者

Joseph Redmon, Ali Farhadi

主要論文

“YOLOv3: An Incremental Improvement”, publication date 2018/04

性能比較

YOLOv3 的運(yùn)行速度明顯快于具有相當(dāng)性能的其他檢測(cè)方法。從M40或Titan X開始，它們基本上是相同的GPU。

結(jié)構(gòu)

這是模型的增量更新，即沒有根本上更改，只有一組改進(jìn)技巧。

每個(gè) bbox 的置信度得分，即給定 bbox 中存在目標(biāo)的概率，現(xiàn)在也使用 sigmoid 計(jì)算。

作者從多類分類切換到多標(biāo)簽，所以我們擺脫了softmax，轉(zhuǎn)而支持二進(jìn)制交叉熵。

在三個(gè)尺度上對(duì) bbox 進(jìn)行預(yù)測(cè)，輸出張量大?。篘 * N * （3 * （4 + 1 + num_classes））

作者使用k均值重新計(jì)算先驗(yàn)框，并在三個(gè)尺度上得到了9個(gè)bbox。

新的、更深、更準(zhǔn)確的骨干/特征提取器Darknet-53。

在準(zhǔn)確性方面，它與 ResNet-152 相當(dāng)，但由于更有效地使用 GPU，它所需的操作減少了近 1.5 倍，產(chǎn)生的 FPS 提高了 2 倍。

總體結(jié)構(gòu)

不起作用的方法

BBOX 通過線性激活函數(shù)而不是logistic激活函數(shù)來協(xié)調(diào)位移預(yù)測(cè)。

focal loss — mAP 下降了 2 點(diǎn)。

用于確定GT的雙 IoU — 在 Faster R-CNN 中，IOU 有兩個(gè)閾值，通過該閾值確定正樣本或負(fù)樣本（>0.7 正值，0.3-0.7 忽略，<0.3 負(fù)樣本）

優(yōu)勢(shì)

發(fā)布時(shí)的檢測(cè)精度高于競(jìng)爭對(duì)手

發(fā)布時(shí)的檢測(cè)率高于競(jìng)爭對(duì)手

編輯：黃飛

?