单阶经典检测器： YOLO V1 (一)

　　Faster RCNN算法利用了两阶结构， 先实现感兴趣区域的生成， 再进行精细的分类与回归， 虽出色地完成了物体检测任务， 但也限制了其速度， 在更追求速度的实际应用场景下， 应用起来仍存在差距。

　　在此背景下， YOLO v1算法利用回归的思想， 使用一阶网络直接完成了分类与位置定位两个任务， 速度极快。 随后出现的YOLO v2与v3检测精度与速度上有了进一步的提升， 加速了物体检测在工业界的应用， 开辟了物体检测算法的另一片天地。
1. 无锚框预测： YOLO v1
　　相比起Faster RCNN的两阶结构， 2015年诞生的YOLO v1创造性地使用一阶结构完成了物体检测任务， 直接预测物体的类别与位置， 没有RPN网络， 也没有类似于Anchor的预选框， 因此速度很快。 本节将详细介绍YOLO v1的网络结构与算法思想。

1.1 网络结构

　　与其他物体检测算法一样， YOLO v1首先利用卷积神经网络进行了特征提取， 具体结构如图6.1所示， 该结构与GoogLeNet模型有些类似。在该结构中， 输入图像的尺寸固定为448×448， 经过24个卷积层与两个全连接层后， 最后输出的特征图大小为7×7×30。
　　关于YOLO v1的网络结构， 有以下3个细节：
　　　　·在3×3的卷积后通常会接一个通道数更低的1×1卷积， 这种方式既降低了计算量， 同时也提升了模型的非线性能力。
　　　　·除了最后一层使用了线性激活函数外， 其余层的激活函数为Leaky ReLU。
　　　　·在训练中使用了Dropout与数据增强的方法来防止过拟合。

 1.2 特征图的意义

　　YOLO v1的网络结构并无太多创新之处， 其精髓主要在最后7×7×30大小的特征图中。 如图6.2所示， YOLO v1将输入图像划分成7×7的区域， 每一个区域对应于最后特征图上的一个点， 该点的通道数为30， 代表了预测的30个特征。
　　YOLO v1在每一个区域内预测两个边框， 如图6.2中的预测框A与B， 这样整个图上一共预测7×7×2=98个框， 这些边框大小与位置各不相同， 基本可以覆盖整个图上可能出现的物体。

　　 如果一个物体的中心点落在了某个区域内， 则该区域就负责检测该物体。 图6.2中真实物体框的中心点在当前区域内， 该区域就负责检测该物体， 具体是将该区域的两个框与真实物体框进行匹配， IoU更大的框负责回归该真实物体框， 在此A框更接近真实物体。
　　最终的预测特征由类别概率、 边框的置信度及边框的位置组成， 如图6.3所示。 这三者的含义如下：

　　　　·类别概率： 由于PASCAL VOC数据集一共有20个物体类别， 因此这里预测的是边框属于哪一个类别。
　　　　·置信度： 表示该区域内是否包含物体的概率， 类似于Faster RCNN中是前景还是背景。 由于有两个边框， 因此会存在两个置信度预测值。
　　　　·边框位置： 对每一个边框需要预测其中心坐标及宽、 高这4个量，两个边框共计8个预测值。

　　 这里有以下3点值得注意的细节：
　　　　·YOLO v1并没有先验框， 而是直接在每个区域预测框的大小与位置， 是一个回归问题。 这样做能够成功检测的原因在于， 区域本身就包含了一定的位置信息， 另外被检测物体的尺度在一个可以回归的范围内。
　　　　·从图6.3中可以看出， 一个区域内的两个边框共用一个类别预测，在训练时会选取与物体IoU更大的一个边框， 在测试时会选取置信度更高的一个边框， 另一个会被舍弃， 因此整张图最多检测出49个物体。
　　　　·YOLO v1采用了物体类别与置信度分开的预测方法， 这点与Faster RCNN不同。 Faster RCNN将背景也当做了一个类别， 共计21种， 在类别预测中包含了置信度的预测。

 1.3 损失计算

　　通过卷积网络得到每个边框的预测值后， 为了进一步计算网络训练的损失， 还需要确定每一个边框是对应着真实物体还是背景框， 即区分开正、 负样本。 YOLO v1在确定正负样本时， 有以下两个原则：
　　　　·当一个真实物体的中心点落在了某个区域内时， 该区域就负责检测该物体。 具体做法是将与该真实物体有最大IoU的边框设为正样本，这个区域的类别真值为该真实物体的类别， 该边框的置信度真值为1。
　　　　·除了上述被赋予正样本的边框， 其余边框都为负样本。 负样本没有类别损失与边框位置损失， 只有置信度损失， 其真值为0。
　　YOLO v1的损失一共由5部分组成， 均使用了均方差损失， 如式（6-1） 所示。 

　　公式中i代表第几个区域， 一共有S2个区域， 在此为49； j代表某个区域的第几个预测边框， 一共有B个预测框， 在此为2； obj代表该框对应了真实物体； noobj代表该框没有对应真实物体。 这5项损失的意义如下：

　　　　 ·第一项为正样本中心点坐标的损失。 λcoord的目的是为了调节位置损失的权重， YOLO v1设置λcoord为5， 调高了位置损失的权重。
　　　　·第二项为正样本宽高的损失。 由于宽高差值受物体尺度的影响，因此这里先对宽高进行了平方根处理， 在一定程度上降低对尺度的敏感， 强化了小物体的损失权重。
　　　　·第三、 四项分别为正样本与负样本的置信度损失， 正样本置信度真值为1， 负样本置信度为0。 λnoobj默认为0.5， 目的是调低负样本置信度损失的权重。
　　　　·最后一项为正样本的类别损失。

　　总体上， YOLO v1利用了回归的思想， 使用轻量化的一阶网络同时完成了物体的定位与分类， 处理速度极快， 可以达到45 FPS， 当使用更轻量的网络时甚至可以达到155 FPS。 得益于其出色的处理速度， YOLO v1被广泛应用在实际的工业场景中， 尤其是追求实时处理的场景。 当然， YOLO v1也有一些不足之处， 主要有如下3点：

　　　　·由于每一个区域默认只有两个边框做预测， 并且只有一个类别，因此YOLO v1有着天然的检测限制。 这种限制会导致模型对于小物体，以及靠得特别近的物体检测效果不好。
　　　　·由于没有类似于Anchor的先验框， 模型对于新的或者不常见宽高比例的物体检测效果不好。 另外， 由于下采样率较大， 边框的检测精度不高。
　　　　·在损失函数中， 大物体的位置损失权重与小物体的位置损失权重是一样的， 这会导致同等比例的位置误差， 大物体的损失会比小物体 大， 小物体的损失在总损失中占比较小， 会带来物体定位的不准确。