圖解目標檢測算法之 YOLO

YOLO v3 是目標檢測各類算法中非常經(jīng)典的一款，本文試著圖解它的網(wǎng)絡(luò)架構(gòu)和基本流程，給想快速了解它的童鞋提供一些參考。

1引 言

近年來，由于在海量數(shù)據(jù)與計算力的加持下，深度學(xué)習(xí)對圖像數(shù)據(jù)表現(xiàn)出強大的表示能力，成為了機器視覺的熱點研究方向。圖像的表示學(xué)習(xí)，或者讓計算機理解圖像是機器視覺的中心問題。

具體來說，圖像理解包括分類、定位、檢測與分割等單個或組合任務(wù)，如下圖所示。

本篇關(guān)注目標檢測，它可以認為是一個將分類和回歸相結(jié)合的任務(wù)。

目標檢測的核心問題可以簡述為圖像中什么位置有什么物體。

• 1）定位問題：目標出現(xiàn)在圖像中哪個位置（區(qū)域）。

• 2）分類問題：圖像的某個區(qū)域里的目標屬于什么類別。

當(dāng)然，目標（物體）在圖像中還存在其他問題，如尺寸問題，即物體具有不同大小；還有形狀問題，即物體在各種角度下可以呈現(xiàn)各種形狀。

基于深度學(xué)習(xí)的目標檢測算法目前主要分為兩類：Two-stage?和?One-stage。

• Tow-stage

先生成區(qū)域（region proposal，簡稱 RP），即一個可能包含待檢物體的預(yù)選框，再通過卷積神經(jīng)網(wǎng)絡(luò)進行分類。

任務(wù)流程：特征提取 --> 生成 RP --> 分類/定位回歸。

常見?Two-stage?目標檢測算法有：R-CNN、Fast R-CNN、Faster R-CNN、SPP-Net 和 R-FCN 等。

• One-stage

直接用網(wǎng)絡(luò)提取圖像特征來預(yù)測物體位置和分類，因此不需要 RP。

任務(wù)流程：特征提取–> 分類/定位回歸。

常見的?One-stage?目標檢測算法有：YOLO 系列、SSD 和 RetinaNet 等。不過，為了得到最終目標的定位和分類，往往需要后處理。

本篇主要來看 YOLO 系列中的 v3 版本。

2基本原理

首先，我們先從整體上來看一下 YOLO v3 是如何工作的。YOLO v3 算法通過將圖像劃分為??個網(wǎng)格（grid）單元來工作，每個網(wǎng)格單元具有相同大小的區(qū)域。這??個網(wǎng)格單元中的每一個都負責(zé)對包含該網(wǎng)格的目標的檢測和定位。

相應(yīng)地，這些網(wǎng)格預(yù)測??個相對于它們所在單元格的包圍盒相對坐標，以及目標標簽和目標出現(xiàn)在單元格中的概率。

由于網(wǎng)格的分辨率比起原圖來說已經(jīng)大大降低，而檢測和識別步驟都是針對網(wǎng)格單元來處理的，因此這個方案大大降低了計算量。但是，由于多個單元格用不同的包圍盒來預(yù)測同一個對象，因此會帶來了很多重復(fù)的預(yù)測框。YOLO v3 使用非最大值抑制（Non-Maximum Suppression，NMS）來處理這個問題。

下圖給出了一個例子，展示了當(dāng)??時的??個網(wǎng)格以及由此檢測圖中目標的大致流程。會涉及很多個包圍盒，最后選出三個包圍盒來定位和識別目標。

另外，為了兼顧圖像中各種尺度的目標，可以使用多個不同分辨率的??個網(wǎng)格。很快將會看到，YOLO v3 中使用了 3 個尺度。

3總體架構(gòu)

先看一下網(wǎng)絡(luò)架構(gòu)，注意它有三個不同分辨率的輸出分支。

下面看一下更加詳細的網(wǎng)絡(luò)架構(gòu)圖，注意有三個檢測結(jié)果（Detection Result）。

輸入圖像通過 Darknet 得到三個尺度的特征圖，從上往下為?(52×52×256), (26×26×512), (13×13×1024)，也就是在三種尺度上進行以便檢測到不同大小的目標。也可以結(jié)合下面這個更加精煉圖來理解。

4關(guān)鍵步驟

目標檢測也可以看作是對圖像中的背景和前景作某種理解分析，即從圖像背景中分離出感興趣的目標，得到對于目標的描述<位置，類別>。

由于可能有多個目標存在，模型輸出是一個列表，包含目標的位置以及目標的類別。目標位置一般用矩形檢測框（包圍盒）的中心和寬高來表示。

?模型輸出值

分辨率最低的輸出分支對應(yīng)的結(jié)果是?，下圖展示了在??特征圖上的檢測結(jié)果，特征圖上的一個像素對應(yīng)一個網(wǎng)格，每個網(wǎng)格會有 3 個預(yù)測框，每個預(yù)測框具有（5 + C）個值，其中前 5 個數(shù)對應(yīng)包圍盒的位置以及屬于目標的可能性，C 表示類別數(shù)。

這個結(jié)果的含義大致清楚了，但是還有個小問題，就是這個輸出是根據(jù)什么信息計算而來呢？

如下圖所示，在前一層得到的特征圖上再接一個核大小為??的卷積層得到最終的輸出，即由每個網(wǎng)點的特征向量（1024 維）轉(zhuǎn)化為我們需要的輸出，即包圍盒、目標置信度以及類別信息。

上面說了，在這個尺度上會檢測 3 個預(yù)測框，把它們拼接在一起，得到完整的結(jié)果示意圖如下。

另外兩個尺度上類似，它們對應(yīng)的分支輸出如下兩個圖所示。

網(wǎng)絡(luò)會在 3 個尺度上分別檢測，每個尺度上每個網(wǎng)格點都預(yù)設(shè) 3 個包圍盒，所以整個網(wǎng)絡(luò)共檢測到?13×13×3 + 26×26×3 + 52×52×3 = 10647?個包圍盒。

那么這里的 3 個預(yù)設(shè)包圍盒又是怎么回事呢？

其實每個網(wǎng)格單元可以對目標的包圍盒進行一定數(shù)量的猜測，比如下圖中的示例，黃色網(wǎng)格單元進行兩次包圍盒（藍色框）預(yù)測以定位人的位置。

而 YOLO v3 中采用?3 個預(yù)設(shè)包圍盒，但值得注意的是這里限定只能檢測同一個目標。

?先驗包圍盒

還有一個問題，每個網(wǎng)格對應(yīng)的包圍盒怎么取呢？理論上，包圍盒可以各種各樣，但是這樣的話就需要大量計算。

為了節(jié)省計算，不妨預(yù)先了解一下在圖像中出現(xiàn)的目標一般具有怎么樣的包圍盒?？梢酝ㄟ^在數(shù)據(jù)集 VOC 和 COCO 上使用聚類法尋找一般目標的包圍盒尺寸。

而在 YOLO v3 中，通過聚類選出了??個先驗包圍盒:?(10×13),(16×30),(33×23),(30×61),(62×45),(59×119),(116×90),(156×198),(373×326)。

?包圍盒預(yù)測

有了預(yù)設(shè)的先驗包圍盒，怎么來計算實際包圍盒呢？總不能直接套到每個網(wǎng)格單元處就完事了吧。

YOLO v3 引入一個機制，可以適當(dāng)調(diào)整預(yù)設(shè)包圍盒來生成實際的包圍盒。下圖中的公式將網(wǎng)絡(luò)輸出值??轉(zhuǎn)換得到實際的包圍盒信息?。

?包圍盒后處理

YOLO v3 模型的輸出并沒有直接給出包含目標的包圍盒，而是包含所有網(wǎng)格單元對應(yīng)結(jié)果的張量，因此需要一些后處理步驟來獲得結(jié)果。

首先，需要根據(jù)閾值和模型輸出的目標置信度來淘汰一大批包圍盒。而剩下的包圍盒中很可能有好幾個圍繞著同一個目標，因此還需要繼續(xù)淘汰。這時候就要用到非極大值抑制（Non-Maximum Suppression，NMS），顧名思義就是抑制不是極大值的元素，可以認為求局部最優(yōu)解。用在此處的基本思路就是選擇目標置信度最大的包圍盒，然后排除掉與之 IoU 大于某個閾值的附近包圍盒。

?損失函數(shù)

由于網(wǎng)絡(luò)的輸出值比較多，因此損失函數(shù)也具有很多項，但總體還是清晰的，這里不作展開。

5實 驗

網(wǎng)上基于?PyTorch^[1]?或者?TF^[2]?等庫的 YOLO v3 實現(xiàn)版本很多，可以直接拿來把玩。下面是網(wǎng)上隨手下載的幾個圖像的測試結(jié)果，看著效果是不是還可以呢。

6小 結(jié)

先回顧下面這個圖，看看是否了解每個步驟的含義。

然后再用一個圖來總結(jié)一下流程，

參考代碼