现代目标检测算法：YOLO全解析与实践

### 现代目标检测算法：YOLO 全解析与实践 #### 1. 目标检测算法对比 在目标检测领域，Faster R - CNN 是一种常用的算法。之前的代码运行结果显示，生成一张图像的预测结果，Faster R - CNN 需要约 1.5 秒，而现在的方法仅需约 400 毫秒。Faster R - CNN 使用锚框在图像上滑动，识别可能包含物体的区域，然后进行边界框修正。然而，它存在一些局限性： - **信息不完整**：在全连接层，仅将检测区域的 RoI 池化输出作为输入。当区域不能完全包含物体时（物体超出区域建议的边界框），网络由于未看到完整图像，只能猜测物体的真实边界。 - **速度较慢**：Faster R - CNN 有两个网络，即区域提议网络（RPN）和最终预测物体类别及边界框的网络，这导致其速度较慢。 而 YOLO（You Only Look Once）及其变体是一种杰出的目标检测算法，它能一次性完成物体类别检测和区域修正，无需单独的 RPN。 #### 2. YOLO 工作原理 ##### 2.1 数据准备 为了训练 YOLO 模型，需要为给定图像创建真实标签（ground truth），具体步骤如下： 1. **确定真实边界框**：考虑一张带有红色真实边界框的图像。 2. **划分网格**：将图像划分为 N x N 个网格单元，这里以 N = 3 为例，即划分为 3 x 3 的网格。 3. **确定负责单元**：找出包含至少一个真实边界框中心的网格单元，例如在 3 x 3 的网格图像中，可能是 b1 和 b3 单元。 4. **创建真实标签**：包含真实边界框中点的单元负责预测物体的边界框，为每个单元创建对应的真实标签。 5. **输出真实标签**：每个单元的输出真实标签包括物体存在概率（pc）等信息。pc 表示该单元包含物体的概率。 6. **计算边界框参数**： - **bx 和 by**：以网格单元为参考，将其归一化到 0 到 1 的范围。bx 和 by 是真实边界框中点相对于网格单元图像的位置。例如，若真实边界框中点距离原点 0.5 个单位，则 bx = 0.5，by = 0.5。 - **bw 和 bh**：bw 是边界框宽度与网格单元宽度的比值，bh 是边界框高度与网格单元高度的比值。 7. **预测类别**：若有三个类别（如卡车、汽车、公交车），则预测该单元包含任意一个类别的物体的概率。由于 pc 已表示单元是否包含物体，这里不需要背景类别。 8. **构建网格输出**： - 对于不包含物体的单元，如 a3 单元，其第一个输出（pc - 物体存在分数）为 0，其余值无关紧要。 - 对于包含物体的单元，如 b1 单元，其输出包含 bx、by、bw、bh 值以及类别信息。每个单元可获取 8 个输出，因此 3 x 3 的网格可获取 3 x 3 x 8 个输出。 ##### 2.2 后续步骤 1. **定义模型**：输入为图像，输出为 3 x 3 x 8，真实标签如上述步骤所定义。 2. **考虑锚框定义真实标签**：在实际情况中，一个网格单元可能包含多个物体，这会导致真实标签不准确。为避免这种情况，可增加网格单元数量，如使用 19 x 19 的网格。但仍可能存在问题，此时锚框就派上用场了。例如，有两个锚框，一个高大于宽（对应人），另一个宽大于高（对应汽车）。每个单元的输出是两个锚框预期输出的拼接，预期输出形状为 N x N x 类别数 x 锚框数。 3. **定义损失函数**：计算模型损失时，需注意以下几点： - 当物体存在分数低于某个阈值时（对应不包含物体的单元），不计算回归损失和分类损失。 - 若单元包含物体，要确保不同类别之间的分类尽可能准确。 - 若单元包含物体，边界框偏移应尽可能接近预期。由于宽度和高度的偏移可能比中心偏移大很多（中心偏移范围在 0 到 1 之间，而宽度和高度偏移无此限制），因此对宽度和高度偏移取平方根以降低权重。 损失计算公式如下： \[ L_{loc}=\lambda_{coord}\sum_{i = 0}^{S^{2}}\sum_{j = 0}^{B}1_{ij}^{obj}[(x_{i}-\hat{x}_{i})^{2}+(y_{i}-\hat{y}_{i})^{2}+(\sqrt{w_{i}}-\sqrt{\hat{w}_{i}})^{2}+(\sqrt{h_{i}}-\sqrt{\hat{h}_{i}})^{2}] \] \[ L_{cls}=\sum_{i = 0}^{S^{2}}\sum_{j = 0}^{B}(1_{ij}^{obj}+\lambda_{noobj}(1 - 1_{ij}^{obj}))(C_{ij}-\hat{C}_{ij})^{2}+\sum_{i = 0}^{S^{2}}1_{i}^{obj}\sum_{c\in classes}(p_{i}(c)-\hat{p}_{i}(c))^{2} \] \[ L = L_{loc}+L_{cls} \] 其中： - \(\lambda_{coord}\) 是回归损失的权重。 - \(1_{ij}^{obj}\) 表示单元是否包含物体。 - \(p_{i}(c)\) 对应预测的类别概率。 - \(C_{ij}\) 表示物体存在分数。 整体损失是分类损失和回归损失的总和。 #### 3. 安装 Darknet 为了在自定义数据集上训练 YOLO，需要安装 Darknet，具体步骤如下： 1. **拉取 Git 仓库**： ```python !git clone https://github.com/AlexeyAB/darknet %cd darknet ``` 2. **重新配置 Makefile 文件**： ```python !sed -i 's/OPENCV=0/OPENCV=1/' Makefile # 若没有 GPU，请注释以下 3 行 !sed -i 's/GPU=0/GPU=1/' Makefile !sed -i 's/CUDNN=0/CUDNN=1/' Makefile !sed -i 's/CUDNN_HALF=0/CUDNN_HALF=1/' Makefile `` ```