欢迎重视我的公众号 [极智视界]，回复001获取Google编程规范
O_o >_< o_O O_o ~_~ o_O
大家好，我是极智视界，本文详细介绍一下 YOLOv1 算法的规划与完成，包含练习。
本文是方针检测类算法完成共享的第一篇，从 用回归做物体检测 算法开山鼻祖 YOLOv1 讲起。YOLO (You Only Look Once) 是充溢艺术性和实用性的算法系列，而 YOLOv1 是个开头，在论文《You Only Look Once：Unified, Real-Time Object Detection》中提出。YOLO 方针检测算法以实时著称，并经不断发展能逐渐兼顾精度。简略看一些 YOLO 官网的宣传作用：
下面开端，同样这儿不止会讲原理还会讲完成及练习。
1、YOLOv1 原理
在论文中其实不止提出了 baseline YOLOv1 模型，还提出了 Fast YOLOv1，而 Fast YOLOv1 旨在让人们看到 YOLO 的功率极限。先来看论文中的试验数据，YOLOv1 的主要对标对象是 Fast R-CNN、DPM，下面是精度 (mAP) 和 功能 (fps) 数据：
练习测验数据集是 PASCAL VOC 0712，硬件是 Nvidia Titan X，这儿咱们主要关心 Real-Time Detectors，能够看到比较于 DPM 和 Fast R-CNN， YOLOv1 兼顾精度和推理功率，还能够注意到 Fast YOLOv1 的帧率达到了的 155 fps，相当于浮点推理单图 6.5 个 ms，这在其时相当快。
YOLOv1 比较于 Fast-RCNN 能够更加好的区分布景和待检测方针，然而 YOLOv1 并不是一个极度完美的网络，还有一些缺陷 (这跟网络规划相关)，如下：
上图是 Fast R-RCNN vs YOLOv1 Error Analysis，能够看到主要有以下几点：
(1) YOLOv1 的猜测准确度 Correct 没 Fast R-CNN 高；
(2) YOLOv1 的 Localization 错误率更高，这是因为 YOLOv1 选用直接对方位进行回归的方式进行猜测，这不如滑窗式的；
(3) YOLOv1 关于布景猜测的错误率更低；
以试验结论为导向，下面介绍 YOLOv1 的网络规划艺术。
1.1 网络结构规划
整个网络由 24 个卷积层 (受 GoogLeNet 启示，有很多 1 x 1 和 3 x 3 替换的结构) 和 2 个全连接层构成，输入图画尺度为 448 x 448，输出为 7 x 7 x 30，说一下输出为啥是这个 shape。YOLOv1 会把输入图画划成 7 x 7 的 grid，每个 grid 担任猜测 2 个方针，关于每个方针来说又有这些属性：x、y、h、w、置信度，然后再加上类别数 20，这样就形成了 7 x 7 x (2 x 5 + 20) = 7 x 7 x 30 的输出 tensor 了。如下：
因为 YOLOv1 将图片划分为 7 x 7 个 grid，尽管每个 grid 担任猜测两个方针，但最后会经过抑制只保存一个匹配度最高的 bounding box，也就是说一张图我最多就给你猜测七七 49 个方针，那么想一下，如果有两个相邻的方针落在了同一个 grid 中，那么势必会漏检一个，所以 YOLOv1 关于附近方针的检测作用不好。
1.2 丢失函数规划
YOLOv1 的整个丢失函数如下，这个比较经典：
一个个来说：
(1) 第一个和第二个都是方位丢失。第一个是中心点方位丢失，选用简略的平方和进行核算。其中 lij^obj 是一个控制参数，作用是当标签中该 grid 有待检测物体，则为 1，否则为零；
(2) 第二个是宽高丢失。这儿对 w、h 分别取了根号，原因是这样能够减缓倾向于调整尺度比较大的猜测框，这儿的 lij^obj 和第一个中的相同；
(3) 第三个和第四个需求结合起来看，都是猜测框的置信度丢失。第三个是有方针的时分，第四个是没有方针的时分，咱们知道，实际检测时 49 grid 中每个 grid 有方针和没方针也是个长尾问题，往往有方针的情况占少量，所以在这儿规划给了 obj = 5，noobj = .5 的权重平衡；
(4) 第五个是类别丢失。
原理就讲这么多，接下来是实践。
2、YOLOv1 完成
github 地址：github.com/AlexeyAB/da…
darknet 编译就不多说了，默许已经编译好了，这步不会的同学能够翻看我之前的文章，有相关介绍。
下面介绍一下制造 VOC0712 交融数据集。
2.1 制造 VOC0712 交融数据集
下载数据集
# download datasets
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
# 解压
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
制造 imagelist：
# 生成label及train.txt、test.txt、val.txt
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py
# 装备 2012train、2007_train、2007_test、2007_val 为练习集，2012_val 为验证集
cat 2007_* 2012_train.txt > train.txt
这个时分的目录结构是这样的：
2.2 练习
然后能够进行练习，这儿需求注意的是 YOLOv1 的练习指令和 YOLOv2 和 YOLOv3/v4 的不太相同，YOLOv1 的练习指令如下：
./darknet yolo train cfg/yolov1/yolo.train.cfg
是不是稍微有点好奇，以上命令中并没有指定练习图片途径，这个途径是在代码内部写死的 (包含保存权重的途径 backup/ 也是写死的)：
这个地方能够改成自己想指定的 train.txt 的途径，然后重新编译结构：
make clean
make -j32
然后再履行练习指令，开端练习：
能够看到已经开端练习了，这儿咱们使用了默许的练习装备：
这儿的一些参数能够根据自己的需求进行相应的修正。
2.3 验证
练习的过程比较绵长，等练习完毕能够测验一下练习结果：
./darknet yolo test cfg/yolov1/yolo.cfg backup/yolo.weights
在 Enter Image Path 中输入待检测图片，如 data/dog.jpg 能够看到检测作用：
这样就完成了 YOLOv1 数据集预备、练习到验证的整个环节。
以上详细共享了 YOLOv1 的原理和实践，期望我的共享能对你的学习有一点帮助。
【公众号传送】 《【模型练习】方针检测完成共享一：详解 YOLOv1 算法完成》
