[数据结构与算法]YOLO V1-V3经典回顾

本文是自己写来用于回顾2d检测中易混淆的关键知识点

总结：
1.yolov1，yolov2，yolov3的bbox中心点坐标的损失计算方法和faster rcnn系列不一样，yolo计算损失时是直接坐标相减，而faster rcnn计算损失时是用的gd和anchor的偏移量与预测的和anchor的偏移量作差。 我们其实可以通过看出网络预测输出的是什么，从而判断是上面哪种损失计算方式，因为计算损失时一般都是直接取网络的输出来计算，而不会对网络的输出进行变换后再去和gd算损失，都是对标签进行处理来迎合网络输出的形式。
2.相对（局部）坐标的计算思想：比如要算a点的相对于b这个网格的坐标，就是通过计算 a这一点的绝对坐标（这个例子就是相对于图像坐标系的，如果点云就是相对于雷达坐标系的） 减去 b这个网格的中心（选格子的左上角为中心）的绝对坐标，但除不除以对应的边长（就是gridsize），也就是是否标准化就看具体的代码或者论文实现。

Yolo v1：
直接看这位大佬的链接，讲得非常透彻！：https://blog.csdn.net/weixin_41424926/article/details/105382858?ops_request_misc=&request_id=&biz_id=&utm_medium=distribute.pc_search_result.none-task-blog-2_alles_rank~default-1-105382858.es_vector_control_group&utm_term=googlenet+yolov1&spm=1018.2226.3001.4187
这是我唯一看到对训练样本的标签进行讲解的文章，更能深刻理解bbox的坐标回归损失。
网络是直接回归bbox的中心坐标（x，y）。标签的制作过程：将标签的bbox的中心绝对坐标xc（基于原始图像的像素坐标）除以7（因为输出特征图为7×7，要分成7×7个格子）然后向下取整得到g，来判断该点属于哪个格子（g数过来在哪个格子的左上角就是哪个格子负责），g×gridsize得到xg，然后用（xc-xg）/gridsize就得到了用于损失计算的中心坐标（yolov1-yolov3都是采用这种方式）。

yolov1网络结构图画的有问题，对应讲解可参考此链接和其评论：https://blog.csdn.net/kaxiaokui/article/details/104709490?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164614239916780366560230%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=164614239916780366560230&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduend~default-1-104709490.es_vector_control_group&utm_term=yolo%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%90%84%E5%B1%82%E8%AE%A1%E7%AE%97&spm=1018.2226.3001.4187

不足：
1.YOLO对相互靠近的物体，会导致许多的 object 的中心点其实在一个 cell 中，那么就会出现漏检。这是因为一个网格只预测了2个框，并且都只属于同一类，因为每个网格只预测一个类别C，而且每个网格的感受野比较大（7*7的输出，一个点的对应到原图的感受野就是64），那么相对来说对大物体的检测就比较理想，而对小物体的检测就比较棘手。
2.由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，小误差的影响会很大）
3.宽高比方面泛化率低，就是无法定位不寻常比例的物体。

Yolov2：
改进点可以看这个链接，具体容易混淆的细节我下面有解析：https://blog.csdn.net/u014380165/article/details/77961414?ops_request_misc=&request_id=&biz_id=102&utm_term=yolov2&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduweb~default-2-77961414.nonecase&spm=1018.2226.3001.4187
提升点：

1. 引入 Batch Normalization
2. 将YOLOv1网络的FC层和最后一个Pooling层去掉，最后输出1313125,其中125=5个anchor*(20+4+1） ，Yolov2网络结果参考链接：
   https://blog.csdn.net/zhw864680355/article/details/103119156
3. 引入 Anchor Box：yolov1是直接和gd做的损失，没有anchor box
4. 利用尺寸聚类（Kmeans，IOU作为距离度量）自动得到anchor box尺寸而不是手选
5. 采用anchor box，但中心点坐标的损失计算没有沿用rpn提出来的那个损失计算方法，即网络直接预测偏移（faster rcnn系列的bbox损失都是这个计算思想），而是仍然沿用yolov1的损失计算思想方法，网络直接预测中心点坐标（yolo系列bbox中心点坐标损失计算都是这个思想）
   
   具体解释：如上图所示，pw，ph是先验框的宽，高。cx，cy是基于原图划分为H*W（H,W由输出特征图决定）个格子后，bbox中心点坐标相对于左上角点x方向和y方向的格子数（不足的舍去）。举个具体的例子（以yolov3为例，因为yolov3和yolov2这里的计算方法一样），假设原图输入是256，对于输出的一个head的特征图16 × 16 × 3 × 85（3是预测3个box，85=80类+1+4）中的第[5，4，2]维（即第5行第4列的预测的第2个box对应的值），上图中的cx为5， cy为4，输出特征图对应的先验框为(30×61)，(62×45)，(59× 119)，prior_box的index为2，那么取最后一个59，119作为先验w、先验h。这样计算之后的bx，by还需要乘以每个gridsize（这里为256/16=16），才得到真实的检测框x，y。（这一点很多博客根本没提！！！）

Yolov3
1.特征提取网络加入残差
2.多尺度预测（3个head，3种不同尺度的网络输出Y1、Y2、Y3）
3.多标签分类：用于分类的softmax层修改为逻辑回归分类器（sigmoid）。因为在一些复杂的场景中，单一目标可能从属于多个类别。