YOLO系列-YOLOv1

重新学习YOLOv1论文，以及复现YOLOv1工程。

前言

YOLOv1是2015年发布的目标检测相关论文，从AI发展的角度来看已经是非常久远的年代了。只不过YOLO系列一直在不断的进化，从原作者的YOLOv1/v2/v3，到后来的YOLOv4/v5/v6，再到2023年的YOLOv7/v8，YOLO系列算法一直是实时目标检测领域最受欢迎的实现。作为计算机视觉研发工程师，如何在具体场景下落地图像算法，平衡好算法精度和软硬件的局限性，一直是我追逐的方向。YOLO系列作为目标检测任务最重要的解决方案，对其进行深入的研究和实践，一定能够帮助到现实场景优化。

YOLOv1论文已经看过好多遍了，之前也发布了一篇论文解读：You Only Look Once: Unified, Real-Time Object Detection，只不过从知道到做到还是需要花非常多的功夫。最新的实现zjykzj/YOLOv1能够完整的复现YOLOv1模型定义，并且在数据预处理以及算法训练上进行了优化，最终在Pascal VOC数据集评估上能够达到更好的效果。

工程架构

训练优化

相比于原始论文实现，我在数据预处理以及YOLOv1损失函数上进行了着重优化，

• 数据预处理：结合ultralytics/yolov5的预处理实现，增加了马赛克以及随机视角等预处理算法；
• YOLOv1Loss：对于分类损失，使用交叉熵损失（CrossEntropyLoss）替代均值平方差损失（MSELoss）；
• 其他：
  • 关于优化器和学习率调度器的实现，采用了我之前常用的训练配置：SGD + Warmup + MultiStepLR；
  • 通过调整模型结构，取消最后一个下采样操作来增加空间感受野大小，可以帮助模型采集细粒度特征，从训练结果来看有效提高精度。

损失函数

YOLOv1官方损失函数定义如下：

共计算了三个损失：预测框损失、置信度损失和分类损失。

1. 对于预测框，仅计算每个网格中存在真值标签的预测框损失；
   1. 如何判断该网格是否存在真值标签：计算真值框的中心点位于哪个网格内；
   2. 如何判断该网格那个预测框对应真值标签：计算预测框与真值框的IoU，最大的那个参与损失计算；
2. 对于置信度损失，所有的预测框置信度均参与计算；
   1. 为了平衡正样本损失和负样本损失，设置超参数\(\lambda_{coord}\)和\(\lambda_{noobj}\)；
3. 对于预测框分类概率，仅计算每个网格中存在真值标签的预测框分类损失；
4. 在YOLOv1论文中，均使用均值平方差（Mean Square Error/MSE）来计算损失；
5. 为了平衡不同损失对于YOLOv1的训练，
   1. 对于预测框的w/h开根号后参与计算；
   2. 设置超参数\(\lambda_{coord}=5\)和\(\lambda_{noobj}=0.5\)

实际使用如下：

\[ Loss=\lambda_{coord}\sum_{i=0}^{S^{2}}\sum_{j=0}^{B}1_{ij}^{obj}[(x_{i}-\hat{x}_{i})^{2}+(y_{i}-\hat{y}_{i})^{2}]\\ \] \[ +\lambda_{coord}\sum_{i=0}^{S^{2}}\sum_{j=0}^{B}1_{ij}^{obj}[(\sqrt{w_{i}}-\sqrt{\hat{w}_{i}})^{2}+(\sqrt{h_{i}} - \sqrt{\hat{h}_{i}})^{2}] \] \[ +\sum_{i=0}^{S^{2}}\sum_{j=0}^{B}1_{ij}^{obj}(C_{i} - \hat{C}_{i})^{2} \\ \] \[ +\lambda_{noobj}\sum_{i=0}^{S^{2}}\sum_{j=0}^{B}1_{ij}^{noobj}(C_{i} - \hat{C}_{i})^{2}\\ \] \[ -\sum_{i=0}^{S^{2}}1_{ij}^{obj}y_{c}\log(p_{c}) \]

差别在于调整了分类损失的计算，使用交叉熵损失替代均方差损失。实际训练体验上来看，这两个损失的训练差别不大。

训练结果

和原来论文一样，使用VOC2007和VOC2012的trainval数据集进行训练，使用VOC2007的test数据集进行评估，训练结果如下：

	Original (darknet)	Original (darknet)	abeardear/pytorch-YOLO-v1	zjykzj/YOLOv1(This)	zjykzj/YOLOv1(This)	zjykzj/YOLOv1(This)	zjykzj/YOLOv1(This)
ARCH	YOLOv1	FastYOLOv1	ResNet_YOLOv1	YOLOv1(S=14)	FastYOLOv1(S=14)	YOLOv1	FastYOLOv1
VOC AP[IoU=0.50]	63.4	52.7	66.5	71.71	60.38	66.85	52.89

小结

从论文可知，作者在实验中也发现了YOLOv1对于密集目标的检测效果（受限于网格约束）以及小目标的检测效果（YOLOv1Loss对于大目标和小目标的预测误差并没有区分，相同大小的预测误差对于小目标影响更大）不佳。这也是后续YOLOv2优化的方向。