计算机视觉——YOLO算法原理

YOLO：You only look once.

YOLO算法基本原理

1. 将一张图片等分为S*S个区域
2. 每一个区域负责检测，目标对象的中心落在本区域内的物体
3. 每个预测到的物体会产生多个可能的边界框
4. 每个单元格会产生一个[有无对象Pc,x,y,w,h,class1,class2,classN]向量

初次看到这个算法的过程，会很疑惑，因为这个过程缺少了一些细节。
例如：如何检测物体的中心？如何产生可能的边界框？如何判断边预测的界框是否正确？让我们看后面的内容。

交并比（IoU)

交并比是一个评估边界预测好坏的评估算法。
通常，当IoU>=0.5，视为预测正确。

0.5的取值完全认为，可以设置其他的，根据具体精度要求来决定。
如果预测结果和真实结果完全重合，IoU=1.

训练方法

首先让我们来看这个网络结构，该结构是一个常规的卷积网络结构。从网络中可以得到，适用卷积核，按照卷积核大小的步长进行卷积，这样就实现了把一个图片分成多一个区域。大大减少了图片的卷积次数，但是也降低了精准度（相比滑动窗口检测方法）。

然后再来看Loss函数，Loss函数由四部分组成：

1. 对象存在误差
2. 位置误差
3. 边框大小误差
4. 类别分类误差

的意思指，当没有对象时(no object)为1，否则为0.

非最大值抑制

如何检测到物体的中心？
当很多方框中都有要检测的目标的时候，
这些方框会说，嘿！我的区域里面有你要的对象！
那么这个时候，到底哪个方框才是物体的中心呢？
也确实没办法知道，所以就让这些方框都进行检测这个物体。
那么就会得到一个物体，被多个方框所框住。

通过非最大值抑制算法可以实现，确保图片中的每一个物体，只被一个方框给框住，而不会出现同一个物体上出现多个方框。

具体的过程：
有无对象(Pc)，在"算法原理"中提到

1. 通过YOLO算法进行预测
2. 将有无对象(Pc)<0.6(或者其他值)的结果去除
3. 对剩下的结果进行以下循环：
1. 找到Pc最大的一个数据,这个就是最终要的结果
2. 通过计算其他产生的边界框与Pc最大的数据的边界框进行IoU计算，去除IoU>=0.5的其他边界框。
3. 直到没有新的最终结果的产生

通过这个循环，我们最终就会得到，确保每一个物体只有一个边界框，且这个边界框是可能性最大的。

在实际操作中，对于多个类型的物体，例如汽车，人，自行车等
应该对这三种类型进行三次的独立非最大值抑制
因为如果一起进行非最大值抑制的话，当人遮挡汽车的时候，人和车的结果就会不准确。两者的IoU比较大。

锚点框(Anchor Boxes)

为什么会产生这个算法呢？
在以下条件下：

1. YOLO的区域数量比较小，每个区域比较大
2. 人遮挡车

导致，人和车的中心点不巧刚好落到同一个区域内，
而每个区域只能输出一个[有无对象Pc,x,y,w,h,class1,class2,classN]向量，那么CNN就会随机输出人或者车。

那么如何解决这个问题呢？
人是竖着的，车是横着的，那么我们可以让每一个区域负责去识别两次(由锚点框的数量决定）。
产生这样的一个向量：
[有无对象Pc,x,y,w,h,class1,class2,classN,有无对象Pc,x,y,w,h,class1,class2,classN]，即[2*n]，你也可以把，这个拆成[2,n]。

将结果分成两个区域，第一个是竖着的锚点框，第二个是横着的锚点框。
存放的时候，计算w/h（宽高比），和锚点的宽高比进行比较，相近即属于该锚点框。如此就可以解决这个问题了。

但是其实这个并不能解决3个物体重叠的情况， 也不能解决锚点框相似的情况的重叠，

不过值得庆幸的是，当YOLO的区域足够多的时候，发生重叠的概率比较小，如果不幸发生了，那就需要写一个选择算法，选择其中一个。

YOLO算法实现

借助YOLO算法，实现对水表的表盘目标检测。去Github下载

本文仅做学术分享，如有侵权，请联系删文。