前言
YOLO这个名字取自You Look Only Once，意思就是只要看一眼就得到结果了。它区分的是之前的Faster RCNN等先用RPN给出候选区域，然后再对候选区域分类的两步走的方法。
YOLO最新已经更新到v4了，v1和v2发表在CVPR上，v3发表在ICCV。作者Joseph Redmon，人称彩虹🌈小马哥，为什么叫这个名字呢🤔看看他的简历就知道了：
不过，更让人震惊的是他那不（放）拘（弃）一（治）格（疗）的文风，YOLOv3的一段就是这样一边吹牛一边闲聊的：
- Introduction
Sometimes you just kinda phone it in for a year, you know? I didn’t do a whole lot of research this year. Spent a lot of time on Twitter. Played around with GANs a little. I had a little momentum left over from last year [12] [1]; I managed to make some improvements to YOLO. But, honestly, nothing like super interesting, just a bunch of small changes that make it better. I also helped out with other people’s research a little.
最近彩虹小马哥退出cv界了，YOLOv4也换了作者。有点物是人非的感觉。。
闲聊完了，开始看代码吧👀
Yolo的Pytorch实现
找了一个能跑的pytorch代码https://github.com/andy-yun/pytorch-0.4-yolov3。这个代码是基于marvis的实现修改的，目前支持v2和v3。marvis的版本较为古老，只能运行在Python2和Pytorch0.4之前的版本。
打开代码，我们可以看到Yolo设计的巧妙之处：没有复杂的网络结构，只有最简单的Conv、Pooling和Relu，而且它的网络结构不是硬编码在python文件里的，而是用cfg的配置文件来定义。这样虽然原来是用Darknet实现的，迁移到其他语言和平台也十分容易。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
[net] batch=1 height=416 width=416 channels=3 momentum=0.9 decay=0.0005 learning_rate=0.001 burn_in=1000 max_batches = 802000 policy=steps steps=-1,500,40000,60000 scales=0.1,10,.1,.1 [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=64 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 ... [region] anchors = 1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071 bias_match=1 classes=20 # VOC有20类 coords=4 num=5 softmax=1 jitter=.3 rescore=1 absolute=1 thresh = .6 random=1 |
检测的DataLoader
Yolo的DataLoader返回的是(data, target)这样一个元组，其中data是输入图片，大小为[batch, 3, 416, 416](416是图像默认尺寸)。target是边界框及分类，大小为[batch, 250]。
这个250是怎么确定的呢？我们知道，每个物体需要5个参数来唯一确定(如[14.0000, 0.2294, 0.4599, 0.0563, 0.1423]，第一个是类别，后面四个是归一化后的矩形框位置)。而Yolo中有个默认参数max_boxes=50。也就是每张图像最多只能给出50个物体检测的结果，所以target的大小是250。
Yolo的损失函数
Yolo的损失函数分为三个部分：
|
1 2 3 4 5 6 7 |
loss_coord = nn.BCELoss(reduction='sum')(coord[0:2], tcoord[0:2])/nB + \ nn.MSELoss(reduction='sum')(coord[2:4], tcoord[2:4])/nB loss_conf = nn.BCELoss(reduction='sum')(conf*conf_mask, tconf*conf_mask)/nB loss_cls = nn.BCEWithLogitsLoss(reduction='sum')(cls, tcls)/nB loss = loss_coord + loss_conf + loss_cls |
第一部分为预测框的损失，包括对预测的中心坐标的误差和预测的宽和高的误差。这里中心坐标采用的是BCE，而宽和高采用的是MSE。这是因为对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。
第二部分为置信度损失，由IOU决定。
第三部分为分类的损失，采用的是交叉熵函数。
训练自己的数据集
训练自己的数据集，大致有以下几个步骤：
① 准备好自己的数据集，推荐使用和VOC一样的格式。并在data目录下新建自己的.name文件，将所有的类别一一列在里面。
② 在cfg目录下新建自己的.data文件和.cfg文件。前者指定训练和测试数据集，后者指定网络结构。
③ 确定自己数据集的类别数。同时更改配置文件中的classes。另外，还要更改最后一层卷积层的filters数目。已知的是80类的coco这个数值是425，20类的VOC是125，具体的计算公式为num_anchors × (5+num_classes)，(5分别是预测的bbox的坐标和置信度)。num_anchors为配置文件中指定的anchors的数量，例如上面给出的cfg文件中有5个anchors，大小分别为[1.3221×1.73145, 3.19275×4.00944, 5.05587×8.09892, 9.47112×4.84053, 11.2364×10.0071]。
训练Yolo和测试mAP指标的代码如下：
|
1 2 3 4 5 6 7 8 9 10 |
# 加载预训练模型训练 python train.py -d cfg/mytask.data -c cfg/yolo-mytask.cfg -w yolo.weights # 重新开始新的训练 python train.py -d cfg/mytask.data -c cfg/yolo-mytask.cfg # 生成检测结果(保存在results文件夹下) python valid.py cfg/mytask.data cfg/yolo-mytask.cfg backup/000004.weights # 评价mAP指标 python eval_voc.py results/comp4_det_test_ mytask_test.txt data/mytask.names |
![[点击查看彩虹🌈小马哥的简历]](http://www.xyu.ink/wp-content/uploads/2020/04/v2-7faa6b05e299168081cbaf6f9f9204f6_1440w.jpg){kind=link}