yolo原理系列——yolov1--yolov5详细解释

先唠唠

这部分主要讲述yolo系列各个版本的的原理，这部分会把yolov1到yolov5的原理进行详细的阐述。首先我们先来看深度学习的两种经典的检测方法：

• Two-stage（两阶段）：代表-- Fsater-rcnn Mask-rcnn系列
• One-stage（单阶段）：代表-- Yolo系列

两阶段和单阶段有什么样的区别呢，我们从整体上理解：单节段的就是一步到位，我们输入一个图像，经过一系列传化，最终会得到一个输出结果；双阶段相较于单节段多了一些中间步骤，输入一个原始图像，我们会先得到一些中间值，最后才输出结果，更形象的表述为，我们要选择一个人当代表，代表安徽省踢球，那么双阶段就类似与我先在安徽各个市找一些好苗子，最后再从这些好苗子中选择一个最优秀的。具体可以参照下图：

既然两种检测方式有所区别，那自然会讨论他们的优缺点：

• One-stage

• 优势：速度非常快，适合做实时检测任务
• 劣势：效果通常不会太好

• Two-stage

• 优势：效果通常比较好
• 劣势：速度较慢，不适合做实时检测任务

  其实他们的优缺点我们也很好理解，单阶段检测的没有中间过程，那速度肯定是相当哇塞了，但从效果来说，就相对差一点。我们可以看一下他们的对比（以单阶段的yolo和双阶段的Faster-rcnn为代表）

从上图可以看出，YOLO的mAP要低于Fast-rcnn,但是FPS却远高于Fast-rcnn。【FPS表示一个网络的检测速度，越大速度越快，mAP表示模型综合检测的效果，越大效果越好】

🎈🎈🎈🎈🎈🎈🎈🎈

  上面提到了一个术语：mAP。它表示的是一个综合检测的效果，因为表示模型效果的参数有很多，像IOU、precision、recall（好吧，这三是不是也不知道🤐🤐🤐）下面先来介绍这三个参数：

• IOU

IOU其实很好理解，其表示（真实值和预测值的交集）占（真实值和预测值的并集）的比列，这也即是IOU的计算公式，如下：

哎！！！？不是很好理解嘛…通俗点讲，IOU就表示真实值和预测值重叠的部分多不多，重叠多IOU就大，检测效果就好！！！可以再参照下图进行理解：

• precision(精度) && recall(召回率)

我们先来看他们的公式（好吧，我承认开始肯定看不懂😜😜😜）

我们通过一个例子来解释上诉公式中TP、FP、FN的含义，进而解释precision和recall。

已知：班级共100人，其中男生80人，女生20人

目标：找出所有女生

结果：从班级中选择了50人才找出20个女生，也即错误的把30名男生也挑选出来了

我们先来看看TP、FP、FN中三个英文字母T、F、P、N的含义，可能会便于你理解

• T——Ture 正确的判断
• F——False 错误的判断
• P——Positives 正类（表示需要检测目标，例子中就是指女生）
• N——Negatives 负类

知道了这些字母的含义，就很好解释 这三个哥们了。

• TP——Ture Positives（表示判断正确，把正类判断成正类，例子中也就是表示把女生判断成了女生）
• FP——False Positives（表示判断错误，把负类判断成正类，例子中也就是表示把男生判断成了女生）

• FN——False Negatives（表示判断错误，把正类判断成负类，例子中也就是表示把女生判断成了男生）

• TN——True Negatives（表示判断正确，把负类判断成负类，例子中也就是表示把男生判断成了男生）【公式中没用到这个】

上面的几个可能会有点绕，但静下心来研究研究，会发现很简单。这里我就当上面的都看懂了，下面我们就可以计算例子中的TP、FP、FN、TN的值了。

• TP=20 【把正类判断成正类，即找到的20个女生】
• FP=30 【把负类判断成正类，即错误选出的30个男生】
• FN=0 【把正类判断成负类，这里为0】
• TN=50 【把负类判断成负类，即没有选出来的50个男生】

好，现在就都求出了TP、FP、FN，则precision和recall都可以计算出来了。

读到这里，我想你就明白了precision和recall是怎么计算出来的了，但是对于precison和recall为什么用这样的式子表示呢，可能还存在一定的疑惑，先对两个公式进行描述。

• precision（精度）
    首先，精度表示分类的准确性，它等于将（正类分类正确）与（正类分类正确和错误）的比列。对于例子来说precision=20/(20+30)=2/5。
• recall（召回率，也叫查全率）

召回率的含义是表示（正类分类正确）与（正类分类正确和把正类判断成负类）的比值。对例子来说recall=20/(20+0)=1。通俗点说，recall表示的就是一些没有检测到的物体的比例，比如一张图片有10个目标需要检测，一种方法你检测到了10种目标，那你的召回率就好；而另一种方法只检测到了8个图片，那么你的召回率就不好。

知道了precision和recall，这两个指标都可以表示检测的效果，为了综合表示检测效果，产生了mAP。首先先介绍什么是AP？AP事实上指的是，我们取不同的置信度，可以获得不同的Precision和不同的Recall，当我们取置信度足够密集的时候，就可以获得非常多的Precision和Recall。利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积即为AP的大小。如下图所示：

 AP衡量的是对一个类检测好坏，mAP就是对多个类的检测好坏。计算方法就是把所有类的AP值取平均。比如有两类，类A的AP值是0.6，类B的AP值是0.4，那么mAP=（0.6+0.4）/2=0.5。

yolo-v1

整体架构

yolo的英文全称为You only look once，听起来好🤙🏼的样子。这也反应了yolo检测的速度很快，适合做实时检测任务。我们先来看yolo-v1的整体网络架构，如下图所示：

从上图可以看出yolo-v1：

• 网络输入：448×448×3的彩色图片。
• 卷积层：由若干卷积层和最大池化层（池化层未画出）组成，用于提取图片的抽象特征。
• 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
• 网络输出：7×7×30的预测结果。

具体实现

从上文我们可以得知，yolo-v1的输入是448×448×3的彩色图片，我们会将每一张图片平均的分成7x7个网格，每个网格分别负责预测中心点落在该网格内的目标。

具体实现过程如下：

1. 将一幅图像分成 S×S个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个object。【yolo-v1分成的是7x7大小的网格】
2. 每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。【yolo-v1要预测的是2个bbox】
3. 每个网格还要预测一个类别信息，记为 C 个类。【yolo-v1预测的类别有20种，像猫，狗，汽车等】
4. 总的来说，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C) 的张量。【对于yolo-v1，网络输出即是一个7x7x30的张量】

  如果你之前已经对yolo算法有了一定的了解，看了上面的内容，大概已经知道yolo-v1的核心思想了。但是呢，如果你第一次看yolo或者对yolo原理不是很熟悉的话，那估计还是有点懵逼。下面从网络的架构出发，详细的介绍yolo-v1的细节。

再次贴出这张图，我们从这张网络架构图进行分析。

• 输入层

•    输入层是448×448×3的彩色图片，在yolo-v1中要求图片大小是448x448的，这是因为在yolo-v1网络最后接了两个全连接层，全连接层是要求固定大小的向量作为输入的【因为全连接层中权重矩阵W和偏置矩阵b的维度是不变的】，因此要求原始图像也需要一致的图片大小。

• 卷积层

• 卷积层就是一层一层的卷积，这一部分倒也没什么好说的，对cnn不熟悉的可以看此篇文章。介绍一下，这是July的创始人写的，我觉得他的机器学习的文章写的真是太好了，用很抽象的语言来解释一些算法，读了之后会让你茅厕顿开——哦，原来是这么回事！！！

• 全连接层

• 全连接层有两层，enmm…其实也没什么好讲的，不明白的可以看上面推荐的文章。但是我们可以来看一下后一个全连接层的维度，1470x1，看着是不是有点奇怪，之前好像几乎没有看到这种维度的输出，为什么设计这样的维度呢？我们在下面的网络输出中进行介绍。

• 输出层

• 上文提到，最后的全连接层有一个1470x1的输出，这样的维度有什么用呢？其实呢，这是为网络输出准备的，我们的输出要求是7x7x30的张量，刚好是1470，所以全连接层的1470x1的输出经过reshape就可以得到7x7x30的网络输出。我们再来看这个7x7x30网络输出，为什么是这个维度的呢？下面来介绍：

yolo-v1的输入图像被划分为 7x7 的网格（grid），输出张量中的 7x7 就对应着输入图像的 7x7 网格。或者我们把 7x7x30 的张量看作49个30维的向量，也就是输入图像中的每个网格对应输出一个30维的向量。每个网格对应一个30维的向量，这30维的向量中包含哪些信息呢？如下图所示：

• 20个对象的概率

• 20个对象的概率表示yolo-v1支持20种不同的对象（如猫、狗、汽车等），这里20个对象的概率就是指对应网格中存在任一种对象的概率。

• 2个bbox的置信度

• bbox的置信度Confidence表示它是否包含对象且位置准确的程度。置信度高表示这里存在一个对象且位置比较准确，置信度低表示可能没有对象或者即便有对象也存在较大的位置偏差。

• 2个bbox的位置

• 一个bbox的位置需要4个数值来表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心点的x坐标，y坐标，宽度，高度)，2个bounding box共需要8个数值来表示其位置。

损失函数

损失函数主要由三部分组成，分别是：坐标预测损失、置信度预测损失、类别预测损失。

yolo-v1的优点及局限

• 优点

• 检测速度快
• 迁移能力强

• 缺点

• 输入尺寸固定：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。其它分辨率需要缩放成此固定分辨率；
• 占比小的目标检测效果不好：虽然每个格子可以预测 2 个 bounding box，但是最终只选择只选择 IOU 最高的bbox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-v1多标签任务不好完成
• yolo-v1有较大的定位误差

yolo-v2

   yolo-v2和yolo-v1的整体思想还是基本一致的，但是也做了很多改进，具体如下图：可以发现再进行这些改进之后，网络的mAP指数基本都有所增加，最后yolo-v2的mAP达到了78.6，而yolo-v1只要63.4。下面将对这些改变进行讲述。

batch normalization（归一化 ）

v2版本舍弃了droupout（在全连接层，v2没有使用全连接层），卷积后全部加入batch normalization（BN）。什么是BN呢，其实就是归一化，在网络的每一层输入都会做归一化的操作，这样会使收敛更加容易，从上图可以看出，网络加入BN后，网络的mAP提升了将近2个百分点，可见效果十分显著。现在看来，几乎所有的卷积网络都会有batch normalization这一步骤。

BN为什么这么强呢？我举个通俗的例子，现在我市要为小王同学🤖🤖🤖打造一个三年的造星计划，最终目标就是三年后让小王成为我市顶级足球运动员，可是现在一下定一个三年的目标可有点远，我们要一年对小王进行一次全面检测，看看他哪些地方做得不好，给出调整，这样才能尽可能的得到一个高水平的小王。那么BN其实就类似做了每年对小王做检测这样的事，在网络中我们一个卷积后都会对其进行BN操作,这样就会让网络效果更加好，也更容易收敛。

hi-res calssifier（高分辨率分类器）

前面谈及v1版本的时候，说v1输入的是448*448大小的图片，但这是在测试时使用的图片大小，而v1在训练时用的图片大小时224*224d的，这样可能会导致模型前后不一致，影响效果。于是v2在训练时额外又加了10次448*448的微调，这样也使得v2的mAP提升了约4个百分点。

new network

v2中网络结构发生了改变，采用DarkNet19网络（有19个卷积层）。可以看出网络中没有全连接层，进行了5次降采样，网络的实际输入为416*416，在该网络中采用了很多卷积核为1*1的卷积，这样省了很多的参数。

anchor boxes（先验框）

在v1版本当中，我们说到每个网格要预测 2 个bbox。但是呢，这往往会出现一些问题：就是某个网格中物体较多时，会检测不到所有的物体，即出现漏检的情况，这也就导致recall（召回率，查全率）比较低。那么在v2中呢，我们选择每个网格要预测 5 个bbox，采用这种方法来减少recall低的情况。

   下图显示了加了先验框后的效果，可以看出，mAP反而减少了【变化不大，可以认为几乎没变】，但网络的recall却增加了7个百分点。

dimension priors（维度聚类）

   在上文说到在v2版本中每个网格要预测 5 个bbox，但是这5个bbox的大小不是随便给的，而是通过原始图片聚类得到的，将原始图像中物体框通过K-means算法聚成5类，然后取这五类的平均值作为bbox的大小。这样得出的bbox的大小更符合实际情况，检测效果更好。

location prediction

    在yolo-v1中，是通过预测 bounding box 与 ground truth 的位置偏移值t_x,t_y，间接得到bounding box的位置。其公式如下：

   个公式是无约束的，预测的边界框很容易向任何方向偏移。因此，每个位置预测的边界框可以落在图片任何位置，这会导致模型的不稳定性。

   因此 YOLOv2 在此方法上进行了一点改变：预测边界框中心点相对于该网格左上角坐标（ C x , C y ）的相对偏移量，同时为了将bounding box的中心点约束在当前网格中，使用 sigmoid 函数将tx,ty归一化处理，将值约束在0-1，这使得模型训练更稳定。

passthrough

这部分要涉及感受野的知识，不做解释，不知道的可以查阅相关资料。但还是要给出感受野的相关性质和结论：我们在卷积中往往期待用一些小的卷积核来代替大的卷积核【他们的感受野相同，但使用小卷积核所需的网络参数较少】。卷积网络中，越是后面的卷积层其感受野就越大，这样就更容易看到原始图片的全局信息，但是这样对于原始图片中小物体的检测就变得困难，这时候我们就希望同时获得一些感受野稍微小一点的特征图（卷积层越往前感受野越小），这样就可以检测到小目标。具体做法如下：

可以看出，v2把上一层卷积中的特征图插成了4份，然后再和最后一层的特征图叠加得到最后的输出，这样的结果就同时有了感受野大的和感受野小的特征图，这样对图片的大目标和小目标都会有一个不错的检测效果。

multi-scale

v2版本相较于v1版本而言，没有了全连接层，都是卷积层，这使得网络可以适应多种不同尺度的输入。和v1训练时网络输入的图像尺寸固定不变不同，v2每隔几次迭代后就会微调网络的输入尺寸。这样可以让检测的能力更加全面。通常最小的图像尺寸为320x320，最大的图片尺寸为608x608。

yolo-v3

    我们先来看一下v3和其他网络模型的对比！！！看到这张图我不自觉的笑了，这个作者也太有意思了，把v3都画到第二象限了（原点是50）【跨象限碾压😬😬😬】这就足以看出v3的强大了！！！

多scale

在阐述yolo-v2的改进时，我们谈到使用passthrough可以让我们更有效的检测小目标物体，但其实这样的效果还不是很好。yolo-v3又进行了改进，它采用了多scale的先验框来进行检测。如图所示，我们对不同感受野的网络输出结果采用不同的先验框，设计了三种规模的先验框，每种规模又有三种bbox，也就是一共9种先验框。

resnet（残差网络）

resnet（残差网络），这个大家应该都很熟悉了吧，因为是我们中国人先提出的。在深度神经网络训练中，从经验来看，随着网络深度的增加，模型理论上可以取得更好的结果。但是实验却发现，深度神经网络中存在着退化问题，人们就以为神经网络就只能做到这里了。但是后来提出一种网络：resnet。其实这种网络原理很好理解，就类似做一个if语句，每加一层后我都进行一个判断，如果结果是好的我就保留，不好的就舍弃。现在基本上resnet已经成为了网络模型的标配。

多标签分类

   yolo-v3在类别预测方面将yolo-v2的单标签分类改进为多标签分类，在网络结构中将yolo-v2中用于分类的softmax层修改为逻辑分类器。在yolo-v2中，算法认定一个目标只从属于一个类别，根据网络输出类别的得分最大值，将其归为某一类。然而在一些复杂的场景中，单一目标可能从属于多个类别。

    比如在一个交通场景中，某目标的种类既属于汽车也属于卡车，如果用softmax进行分类，softmax会假设这个目标只属于一个类别，这个目标只会被认定为汽车或卡车，这种分类方法就称为单标签分类。如果网络输出认定这个目标既是汽车也是卡车，这就被称为多标签分类。

    为实现多标签分类就需要用逻辑分类器来对每个类别都进行二分类。逻辑分类器主要用到了sigmoid函数，它可以把输出约束在0到1，如果某一特征图的输出经过该函数处理后的值大于设定阈值，那么就认定该目标框所对应的目标属于该类。

网络架构

相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。卷积层、批量归一化层以及Leaky ReLU共同组成Darknet-53中的基本卷积单元DBL。因为在Darknet-53中共包含53个这样的DBL，所以称其为Darknet-53。

yolo-v4

v3和v4两个版本的作者发生了变化。当时前三个版本的作者redmon在推特上发表了一个声明：大致是说因为yolo-v3已经被用在一些军事上，这是他不想看到的，因此他表示退出CV界。这也从侧面反映了yolo-v3性能的强大。2020年，Alexey Bochkovskiy等人接手了yolo系列，yolo-v4油然而生。

    yolo-v4对深度学习中一些常用Tricks进行了大量的测试，最终选择了这些有用的Tricks：WRC、CSP、CmBN、SAT、 Mish activation、Mosaic data augmentation、CmBN、DropBlock regularization 和 CIoU loss。

正是v4中采用了很多的技巧，这些都是近先年各种先进的算法，我没有认真读过这些算法，对这些也不是特别清楚，所以这里不对yolo-v4做整理（整理可能会有很多描述不准确的地方🤡）但是呢，我也在网上看了很多文章，这里我觉得这一篇写得非常清楚，也都把这些用到的算法出处贴了出来，感兴趣的可以自己研读。链接如下：yolo-v4

    上面的链接中没有给出原yolo-v4论文,这里附上链接：论文

yolo-v5

   呼，终于到v5了，上面的写内容不多，但也花费了2天多的时间😭😭😭终于感觉要到头了🚀🚀🚀

   果然不能偷懒，上面的yolo-v4没有自己写，现在的v5好像也不想自己写了。但是“自己的事情自己做”这句话涌上心头，因此我决定还是放上链接吧🙈🙈🙈（真不是自己懒，这个人写的太好了，图文并茂，我认为以我现在的知识储备写不出来，因此还是借用他人的叭！！！到时候需要再看的时候也好直接找到好文章）

链接如下：yolo-v5