【目标检测】yolo系列：从yolov1到yolov5之YOLOv1详解及复现

检测器通常能够被分为两类，一类是two-stage检测器，最具代表的为faster R-CNN；另一类是one-stage检测器，包括YOLO，SSD等。一般来说，two-stage检测器具有高定位和识别准确性，而one-stage则有速度上的优势。其在结构上的区别就是two-stage检测器有一个生成region proposal的步骤，然后对其进行预测和分类；而one-stage则是直接对预测框进行回归和分类预测。

一阶段（one-stage）目标检测算法直接将目标边界定位问题转化为回归问题来处理。对图像的多层特征图进行均匀密集采样，使用CNN网络提取特征，然后直接进行分类和回归。

YOLO系列是典型的目标检测one-stage模型。本系列文章主要介绍从 YOLO v1发展到YOLO v5的改进和主要设计思路，并且会用教程的方式讲述每一个YOLO模型。

YOLO v1（2015）

Redmon等人提出的 YOLO（You Only Look Once）算法，将目标检测作为回归问题解决，将候选区和检测两个阶段合二为一。

下面讲详细说明yolo v1。

yolov1解决的需求

1. 能够检测出图中的多个大小不同的目标

通俗地讲，就是用分类的算法设计了一个检测器，YOLO的作者的思路如下：分类器输出是一个one-hot vector，那将检测器的输出转换成(c, x, y, w, h)，c表示confidence置信度，把问题转化成一个回归问题，直接回归出Bounding Box的位置。

主要的思路就是用一个(c,x,y,w,h)去负责image某个区域的目标。比如说图片设置为16个区域，每个区域用1个(c,x,y,w,h)去负责，就可以一次输出16个框，每个框是1个(c,x,y,w,h)。
所以，现在的模型是
$$\begin{gathered} img\to cbrp16\to cbrp32\to cbrp64\to cbrp128\to ... \\ \to fc256-fc[5]\to c,x,y,w,h \end{gathered}$$

2. 能够检测多类的目标

如果目标特别密集的情况下，只预测一个类别 的目标肯定不够用，所以将预测出的输出加上一个类别概率值，即C，则是某个目标框框出来的物体属于其中一个类别的概率，C是一个one-hot vector，长度为类别的数目。

现在的模型是：
$$\begin{gathered} img\to cbrp16\to cbrp32\to cbrp64\to cbrp128\to \\ ...\to fc256-fc[5+C]\ast S\ast S \\ \to [c,x,y,w,h,one-hot]\ast S\ast S \end{gathered}$$

3. 检测小目标

小目标总是检测不佳，所以我们专门设计神经元去拟合小目标。
对于每个区域，我们用2个五元组(c,x,y,w,h)，一个负责回归大目标，一个负责回归小目标，同样添加one-hot vector，one-hot就是[0,1],[1,0]这样子，来表示目标框框出来的属于哪一类。

yolo v1的详细思路

总体思路

yolo v1 将一张图片分为S × S个网格，每个网格负责预测中心点落在此网格内的目标，每个网格通过卷积，提取成一个特征向量，然后用这个特征向量去预测目标框。每个网格会预测B 个bounding box，C 个类别概率值，每个bounding box预测5个值(x, y , w, h, confidence) ，如下图所示，一张图片的预测结果有[S×S×(5∗B+C)]个值。

下图是论文中的图：

YOLO v1其实就是划分成了7*7个区域，预测49个目标，分了20个类别。

网络结构

Yolov1的整个网络先使用卷积层进行特征提取，再通过全连接层进行分类和回归。构思来自GoogleNet，网络由24层卷积+2层全连接层组成。在3×3的卷积后面加上1×1卷积来降低feature map的空间大小，从而较少网络的参数和计算量。使用PASCAL VOC 数据集来评估模型，所以网络的最后输出为7×7×30=1470。

模型训练

网络的训练分为2部分：
（1）预训练一个分类网络：使用上述网络的前20个卷积层+average-pool+全连接层在ImageNet进行训练，网络输入为(224×224×3)。
（2）训练检测网络：移除预训练网络中的后两层，再在预训练网络的基础上+4层卷积层+2层全连接层，将网络的输入变为(448×448×3)。

在神经网络结构确定之后，训练效果好坏，由Loss函数和优化器决定。Yolo v1使用普通的梯度下降法作为优化器。Yolo v1使用的Loss函数如下：

一个网格中会预测多个bbox，在训练时，只选择IOU最大的那个bbox来负责预测目标，其他bbox的Pr(Object)值被设为0，使得bbox的预测更加专业，提高整体的recall。

模型预测

1. 使用非极大抑制生成预测框

在预测的时候，格点与格点并不会冲突，但是在预测一些大物体或者邻近物体时，会有多个格点预测了同一个物体。此时采用非极大抑制（NMS），一个目标可能有多个预测框，通过NMS可以过滤掉一些多余的预测框，确保一个目标只有一个预测框。NMS是通过类别置信度来筛选的。

2. 推理时将 $p\ast c$ 作为输出置信度

在推理时，使用物体的类别预测最大值 p 乘以 预测框的最大值 c ，作为输出预测物体的置信度。

首先从所有的预测框中找到置信度最大的那个bbox，然后挨个计算其与剩余bbox的IOU，如果其值大于一定阈值（重合度过高），那么就将该剩余bbox剔除；然后对剩余的预测框重复上述过程，直到处理完所有的检测框
这样也可以过滤掉一些大部分重叠的矩形框。输出检测物体的置信度，同时考虑了矩形框与类别，满足阈值的输出更加可信。

yolo v1存在的问题

• yolo v1每个网格只能预测一个类别，让所有同一个网格预测出来的多个框属于一个类别，所以对于相邻目标的预测效果不好。（这个问题从yolo v2后就已经解决）
• 没有计算背景的geo_loss，只计算了前景的geo_loss，样本不均衡问题依然存在。
• 小目标预测效果不好

完整代码如下：
https://github.com/abeardear/pytorch-YOLO-v1

yolov1源码复现

数据集准备

选用voc2012+2007 数据集，可以提前下载，如需使用自己的数据集，请参考数据集格式。

• 下载voc2012的训练数据集
• 下载voc2007的测试数据集
• 将所有图片放在一个文件夹中，
• 对数据集进行预处理。
  （1）xml_2_txt.py 将xml标注转换为txt文件（应该将xml_2_txt.py放在voc数据集的同一文件夹中，或者在 xml_2_txt.py 中更改标注文件的路径）
  （2）dataset预处理数据集，txt描述文件，image_name.jpg x y w h c x y w h c 这样就是说一张图片中有两个目标

依赖库

• pytorch
• opencv
• visdom
• tqdm

模型训练验证

运行 train.py文件，file_root修改成自己训练集的文件所在位置。

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
import torch
import torch.nn as nn
from torch.utils.data import DataLoader
import torchvision.transforms as transforms
from torchvision import models
from torch.autograd import Variablefrom net import vgg16, vgg16_bn
from resnet_yolo import resnet50, resnet18
from yoloLoss import yoloLoss
from dataset import yoloDatasetfrom visualize import Visualizer
import numpy as npuse_gpu = torch.cuda.is_available()file_root = '/home/xzh/data/VOCdevkit/VOC2012/allimgs/'learning_rate = 0.001
num_epochs = 50
batch_size = 24
use_resnet = True
if use_resnet:net = resnet50()
else:net = vgg16_bn()
# net.classifier = nn.Sequential(
#             nn.Linear(512 * 7 * 7, 4096),
#             nn.ReLU(True),
#             nn.Dropout(),
#             #nn.Linear(4096, 4096),
#             #nn.ReLU(True),
#             #nn.Dropout(),
#             nn.Linear(4096, 1470),
#         )
#net = resnet18(pretrained=True)
#net.fc = nn.Linear(512,1470)
# initial Linear
# for m in net.modules():
#     if isinstance(m, nn.Linear):
#         m.weight.data.normal_(0, 0.01)
#         m.bias.data.zero_()
print(net)
#net.load_state_dict(torch.load('yolo.pth'))
print('load pre-trined model')
if use_resnet:resnet = models.resnet50(pretrained=True)new_state_dict = resnet.state_dict()dd = net.state_dict()for k in new_state_dict.keys():print(k)if k in dd.keys() and not k.startswith('fc'):print('yes')dd[k] = new_state_dict[k]net.load_state_dict(dd)
else:vgg = models.vgg16_bn(pretrained=True)new_state_dict = vgg.state_dict()dd = net.state_dict()for k in new_state_dict.keys():print(k)if k in dd.keys() and k.startswith('features'):print('yes')dd[k] = new_state_dict[k]net.load_state_dict(dd)
if False:net.load_state_dict(torch.load('best.pth'))
print('cuda', torch.cuda.current_device(), torch.cuda.device_count())criterion = yoloLoss(7,2,5,0.5)
if use_gpu:net.cuda()net.train()
# different learning rate
params=[]
params_dict = dict(net.named_parameters())
for key,value in params_dict.items():if key.startswith('features'):params += [{'params':[value],'lr':learning_rate*1}]else:params += [{'params':[value],'lr':learning_rate}]
optimizer = torch.optim.SGD(params, lr=learning_rate, momentum=0.9, weight_decay=5e-4)
# optimizer = torch.optim.Adam(net.parameters(),lr=learning_rate,weight_decay=1e-4)# train_dataset = yoloDataset(root=file_root,list_file=['voc12_trainval.txt','voc07_trainval.txt'],train=True,transform = [transforms.ToTensor()] )
train_dataset = yoloDataset(root=file_root,list_file=['voc2012.txt','voc2007.txt'],train=True,transform = [transforms.ToTensor()] )
train_loader = DataLoader(train_dataset,batch_size=batch_size,shuffle=True,num_workers=4)
# test_dataset = yoloDataset(root=file_root,list_file='voc07_test.txt',train=False,transform = [transforms.ToTensor()] )
test_dataset = yoloDataset(root=file_root,list_file='voc2007test.txt',train=False,transform = [transforms.ToTensor()] )
test_loader = DataLoader(test_dataset,batch_size=batch_size,shuffle=False,num_workers=4)
print('the dataset has %d images' % (len(train_dataset)))
print('the batch_size is %d' % (batch_size))
logfile = open('log.txt', 'w')num_iter = 0
vis = Visualizer(env='xiong')
best_test_loss = np.inffor epoch in range(num_epochs):net.train()# if epoch == 1:#     learning_rate = 0.0005# if epoch == 2:#     learning_rate = 0.00075# if epoch == 3:#     learning_rate = 0.001if epoch == 30:learning_rate=0.0001if epoch == 40:learning_rate=0.00001# optimizer = torch.optim.SGD(net.parameters(),lr=learning_rate*0.1,momentum=0.9,weight_decay=1e-4)for param_group in optimizer.param_groups:param_group['lr'] = learning_rateprint('\n\nStarting epoch %d / %d' % (epoch + 1, num_epochs))print('Learning Rate for this epoch: {}'.format(learning_rate))total_loss = 0.for i,(images,target) in enumerate(train_loader):images = Variable(images)target = Variable(target)if use_gpu:images,target = images.cuda(),target.cuda()pred = net(images)loss = criterion(pred,target)total_loss += loss.data[0]optimizer.zero_grad()loss.backward()optimizer.step()if (i+1) % 5 == 0:print ('Epoch [%d/%d], Iter [%d/%d] Loss: %.4f, average_loss: %.4f' %(epoch+1, num_epochs, i+1, len(train_loader), loss.data[0], total_loss / (i+1)))num_iter += 1vis.plot_train_val(loss_train=total_loss/(i+1))#validationvalidation_loss = 0.0net.eval()for i,(images,target) in enumerate(test_loader):images = Variable(images,volatile=True)target = Variable(target,volatile=True)if use_gpu:images,target = images.cuda(),target.cuda()pred = net(images)loss = criterion(pred,target)validation_loss += loss.data[0]validation_loss /= len(test_loader)vis.plot_train_val(loss_val=validation_loss)if best_test_loss > validation_loss:best_test_loss = validation_lossprint('get best test loss %.5f' % best_test_loss)torch.save(net.state_dict(),'best.pth')logfile.writelines(str(epoch) + '\t' + str(validation_loss) + '\n')  logfile.flush()      torch.save(net.state_dict(),'yolo.pth')

运行eval_voc.py 进行模型验证，若模型表现效果不好，可以对train.py中对学习率等进行调整，也可以调整网络结构，进行模型调优。

模型预测

运行predict.py，将训练好并调好参数的最优模型传入其中，进行预测。
结果如图所示。