Talk is cheap, show me the code. -- Lucas Jin
这篇文章讲述，如何使用框架，从0实现yolo检测算法，这对于我们掌握目标检测原理大有俾易。
yolo输出的是什么？
这是一个要思考的问题，它实现上，将图片分为7x7的grid cell，每个cell负责预测出若干个box，它的输出是这样的：
image.png
这就有一个问题了，如果groud truth的中心点就在第一个cell怎么办？它的左上角坐标是0呀。
这是疑问一，再者，yolo其实最终输出的矩阵维度是 SS(B*5 + C), 这个意思是，每个cell负责预测两个框，这B个框实际上是同一个物体的两个狂 （这里就是疑问二，不同的两个物体，难道就不可能中心点刚好在一起？），5代表的是坐标点和objectness，C代表的事C个类别是哪种物体的概率，那这个设计就有问题了，你B个框一定是同一个物体？，不一定吧。
比起疑问一，疑问二更加是设计的问题了，不知道有没有人与我同一个想法，这个问题是致命且不可理解的。
关于疑问一，仔细看，有这么一个将标注转换为GT的函数：
def convert(size, box):
dw = 1./(size[0])
dh = 1./(size[1])
x = (box[0] + box[1])/2.0 - 1
y = (box[2] + box[3])/2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
仔细看，size[0] 难道不可能是0？是0你怎么处理。。
其实还没有实现就暴露除了yolo检测系统设计的两个缺陷：
1). 一个cell只能预测同一种物体的多个框，如果是中心点落在同一个cell的多个不同物体，它肯定预测不出来了;
2). 加入groudtruth就在地一个cell或者第一行cell，我估计它会直接忽略。
二画不多说，可以i先实现一下，然后我们自己来改进它，黑嘿嘿。
实现
最复杂的部分应该是实现loss函数，这个loss函数，就是 处理 网络最终输出的 7x7x(B*5 + C) 的矩阵与groudtruth 之间的关系。
image.png
每一个cell中预测值与gt之间方差的总和。其中l_ij的计算方式，为：
- 如果第i个cell存在目标，则这一项为有效值，即此时值为1;
- 如果第i个cell没有目标，也就是说没有groudtruth，则此项无效，此时值为0;
image.png
这一项中，对宽高的处理也是一样的，有groudtruth，则为1,否则为0。
image.png
改项理解比较麻烦，简单来说，我们需要得到每一个cell对应的B个box的confidence，当这个cell有目标的时候，此时我们希望这个confidence越大越好，（IOU越大越好），如果这个cell没有目标，我们希望这个confidence越小越好，此时，这个等试子就可以很好惩罚我们不想要得结果。
image.png
第i个cell中所有的B个box所预测出来的confidence的平方差，这个平方差是用来做什么的呢？我的想法，让这B个box预测出来同一个目标。。。。。但是这就带来一个问题，更加使得同一个cell多个物体预测变得不可能实现。。。。貌似在yolov2中，这个问题通过anchor方式解决了它，其实这里的B个box其实就是anchor，差不多的意思。
理论上，这个loss函数分为4个部分。
接下来需要进行实际的实现了。实现分为两个步骤：
1）计算 objects tensor:
我们需要计算一张图上，7x7的网格，每个网格是否包含目标，比如，最终需要的矩阵形式为：
[[0. 1. 1. 1. 0.]
[0. 1. 1. 1. 0.]
[0. 1. 1. 1. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]]
- 计算 responsible tensor
计算图中所有gt box的中心点所落在的cell，此时这个cell负责预测目标，我们需要得到的结果是：
[[0. 0. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]]
先去吃个饭，未完待虚...
网友评论