🌞欢迎来到机器学习的世界
🌈博客主页：卿云阁💌欢迎关注🎉点赞👍收藏⭐️留言📝
🌟本文由卿云阁原创！
🌠本阶段属于练气阶段，希望各位仙友顺利完成突破
📆首发时间：🌹2021年6月29日🌹
✉️希望可以和大家一起完成进阶之路！
🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！
2022年 7月7日 天气晴
最近淮北下了很多天的雨，今天终于晴天了，很开心的，今天也是我第一次走出校门，和几个好朋友一起去凤凰社区吃烧烤、喝啤酒、很nice。
目录
🌭YOLOV3
目标检测=目标的定位+分类
图像分类
假设我们的目的是动物分类（小猫、小狗、小猪、背景）最后输出属于四种类别的概率，这。就是我们之前接触到的图像分类。
如果想实现多标签的分类，这时，我们可以使用n个Sigmoid函数进行二分类,比如第一个函数代表是小猫还是背景的概率。
目标检测
目标框
动物+定位，在这里我们可以让神经网络多输出几个单元，比如输出一个目标框。
假设 （bx,by) bh bw （0.4，0.5）0.9 0.55
目标标签
pc表示是否含有目标对象，动物的位置信息，三者的概率。
定位
假设图像的宽和高都是150*150像素，假设使用3*3的网格进行划分，在九个网格区域逐一进行定位和分类算法，因此，我们为每一个网格制定了一个目标标签y.
pc表示是否含有目标对象的中心点，目标的位置信息，三者的概率。
bh代表小狗的高度，是相当于单元格网格的比例，比如bh=2.4，就表示2.4个网格的大小。
输入、输出
最后网络输出的特征图的尺寸是3*3*8. 在训练时只要有输入图像和对应的标签y,就可以采用监督学习的方式计算损失函数，从而通过梯度下降反向更新网络参数不断优化网络的预测值
多目标情况-锚框
锚框与物体边界框不同，是由人们假想出来的一种框。先设定好锚框的大小和形状，再以图像上某一个点为中心画出矩形框。而在YOLO中，生成规则是将图片分割成mxn个区域，然后在每个格子的中心，按照设定的长宽比等，生成一系列的锚框。这里说一下，设定的长宽，在YOLO中是采用聚类的方法产生的，而在YOLOV5中具体为采用k-means聚类+遗传算法计算得到。
为了解决在同一个网格内有多个物体的中心点。我们首先定义两个不同形状的锚框，我们要做的就是把预测的结果和两个锚框相关联。在实际应用中可以采用更多的锚框，这里只有两个目标，我们暂时只定义两个锚框此时的目标标签y,会发生变化。还有一个问题需要解决，不同的物体如何于与锚框确定关系。实际上我们是计算每个锚框和目标框的iou。将iou最大的锚框分配给目标框。
此时的输入、输出
可能出现的问题
检测细节
这里我们没有采用最大池化的方式，而是采用了卷积的方式。
多尺度融合
为了避免前面模特和车在一个网格内的情况。
输入端的图片的变换
（1）强制的变换
(2) 把图片放到新建的黑色全零矩阵的中心位置
这两种方式，并没有对错之分，但是要保证训练和测试的处理方式一样。 一般情况下比较推荐第二种方式。
锚框的计算机制
- 为了方便计算，bx的变成到图像边界的距离。
- 预测网络就是不断计算实际标签和预测标签的距离，从而不断的梯度下降，不断的更新网络的参数，减少两者之间的差距。
- 在这三个框中，红色的框是人工标注的，是已知的，黄色的框是算法提前设置好的也是已知的，只有蓝色的预测框是不断的变化的。
- 如何得到预测框得信息？本质上，黄色得锚框是蓝色得预测框和红色的实际框之间的桥梁，预测框在锚框的基础上和实际框通过iou进行关联，并且在锚框的基础上预测出预测框的大小，并进行修正。
- 如何得到预测标签？在这里，我们并不是直接的得到bx,by 等的值，而是基于tx,ty,th,tw这里的tx,ty 表示预测框中心点的坐标的偏移量，距离单元格左边和上边的距离，但是网络直接预测的值有可能大于1，所以通常在tx,ty的外面采用激活函数Sigmoid进行处理把它们约束到0—1之间。
锚框的对应机制
我们对下面的图片使用13*13的网格进行划分，这样每个单元格的长和宽就是32*32像素，我们将人的目标框画出来，我们看到目标的中心点在第六行，第八列的网格当中，在yolov3中会对每个单元格设置3个不同大小的锚框。神经网络对目标检测预测的值是tx,ty,tw,th,在这里我们有了三个固定的锚框，因此会产生3个预测框。在训练时我们会分别计算三个锚框和实际框之间的iou,选择iou大的锚框产生的预测框进行计算和修正
yolov3的网络结构
红色部分是主干网络
下面这张网络是主干网络的整体的分布，第一列是网络的类型，第二列是卷积核的数量，第三列是卷积核的大小，第四列是输入输出矩阵的大小。
- 第一层来看：大部分都是卷积，我们可以看到输入的尺寸是416*416，所以n=416,填充的大小在卷积下采样的时候默认是1，f=3,s=2，我们将数值代入公式中.
- 我们把步长为二的用蓝色的标出来，步长为一的卷积操作我们用绿色的部分表示，网络结构旁边的1，2，8，8，4表示重复连接的组件，比如中间的2表示两个卷积层+一个残差层之后再连接两个卷积层+一个残差层。52+1=53
- 从整体来看，网络主要是由卷积层和残差层组成，残差层是参照Resnet网络的方式进行跨层连接。
- 残差组件的组成=用于降维的卷积层+两个卷积层=残差层
- 这里的卷积层是简写,可以简写成CBL。
- 为了更好的理解我们把网络的结构进一步改写网络的输入是一个416*416*3的彩色图像在经过一个CBL卷积层后面再加上前面讲的5大组件，最后在经过一个平均池化层，一个全连接层，和一个Softmax,这就是用于分类的网络结构，此外我们还需要完成后面的目标检测任务，这里我们将后面的部分全部去掉，加上我们前面所说的三种特征图这样就可以得到完整的网络结构。
- 我们可以把整个网络分为4个部分，现在我主要介绍下面的三部分，Backbone有三个基本组件，第一个是CBL卷积层，第二个是由两个卷积层和一个跨层连接构成的一个残差组件，第三个是一个卷积层和n个残差组件共同构成了一个Resx结构，在主干网络中有5个步长为2的卷积层，在主干网络的不同的阶段我们可以看到特征图尺寸下降的变化
- Concat操作(输入和输出的尺寸不变但是通道的数量进行连接
yolov3的网络结构的立体视角
- 首先输入是416*416大小的彩色图像，经过主干网络提取特征可以得到不同阶段的52*52，26*26，13*13的特征图的信息
yolov3的训练过程
- 损失函数
- 实际使用 第一步计算预测框的信息，设置阈值，计算得分。 到了这里我们得到了三个特征图上预测框的信息，但是现在的框可能还是太多了， 第二步 消除重叠度很高的框 将三个特征图上的结果映射到输入图像上，这样在原始的图像上就会有多种类别的多个框了
🍔YOLOV4
- 在yolov4中多了一种Mish的激活函数，我们把其定义成CBM，一共包括了五种基础组件。Yolov4的结构图和Yolov3相比，因为多了CSP结构，PAN结构，如果单纯看可视化流程图，会觉得很绕，不过在绘制出上面的图形后，会觉得豁然开朗，其实整体架构和Yolov3是相同的，不过使用各种新的算法思想对各个子结构都进行了改进。
- 输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练。
- BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock。
- Neck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN结构。
- Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms。
输入端创新
Mosaic数据增强 丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好。减少GPU：可能会有人说，随机缩放，普通的数据增强也可以做，但作者考虑到很多人可能只有一个GPU，因此Mosaic增强训练时，可以直接计算4张图片的数据，使得Mini-batch大小并不需要很大，一个GPU就可以达到比较好的效果。
BackBone创新
（1）CSPDarknet53
CSPDarknet53是在Yolov3主干网络Darknet53的基础上，借鉴2019年CSPNet的经验，产生的Backbone结构，其中包含了5个CSP模块。每个CSP模块前面的卷积核的大小都是3*3，stride=2，因此可以起到下采样的作用。因为Backbone有5个CSP模块，输入图像是608*608，所以特征图变化的规律是：608->304->152->76->38->19
经过5次CSP模块后得到19*19大小的特征图。
（2）Mish激活函数
CBL和CBM的最大的不同在于激活函数的不同。CBM使用了mish作为激化函数。
（3）Dropblock
本质是减少神经元的数量使得网络结构更简单，那么为什么不在设计时就把它设计的少一些省的后面还需要采用Dropblock的方式进行删除，这里主要是因为Dropblock的随机失活。可以避免网络对某个特征或某个样本过于依赖，大量的用于全连接的网络当中。
而现在的网络结构基本上都是卷积层，研究者发现直接将Dropblock应用到卷积者层中的效果并不是很好。比如在网络中对左边的原始图片进行卷积操作，比如在网络中对左边的原始图片进行卷积操作，在这个过程中可以进行Dropblock操作我们可以看到图像中的某些位置
被丢弃了。所以右图Dropblock的研究者则干脆整个局部区域进行删减丢弃。
这种方式其实是借鉴2017年的cutout数据增强的方式，cutout是将输入图像的部分区域清零，而Dropblock则是将Cutout应用到每一个特征图。而且并不是用固定的归零比率，而是在训练时以一个小的比率开始，随着训练过程线性的增加这个比率。
Neck创新
Yolov4的Neck结构主要采用了SPP模块、FPN+PAN的方式。
（1）SPP模块
SPP模块中，使用k={1*1 ,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行Concat操作。这里最大池化采用padding操作，移动的步长为1，比如13×13的输入特征图，使用5×5大小的池化核池化，padding=2，因此池化后的特征图仍然是13×13大小。
（2）FPN+PAN
Yolov4中Neck这部分除了使用FPN外，还在此基础上使用了PAN结构：
CSPDarknet53中讲到，每个CSP模块前面的卷积核都是3*3大小，步长为2，相当于下采样操作。因此可以看到三个紫色箭头处的特征图是76*76、38*38、19*19。
以及最后Prediction中用于预测的三个特征图：①76*76*255，②38*38*255，③19*19*255。
我们也看下Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。
Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。
其中包含两个PAN结构。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数聚合,这样的操作确实很皮。
原本的PANet网络的PAN结构中，两个特征图结合是采用shortcut操作，而Yolov4中则采用concat（route）操作，特征图融合后的尺寸发生了变化。
Prediction创新
在这方面主要是两个方面的改进，对回归损失函数创新使用了CIOU_loss，对nms的方式的改进DIOU_nms。
（1）CIOU_loss
目标检测任务的损失函数一般由Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。
再来综合的看下各个Loss函数的不同点：
IOU_Loss：主要考虑检测框和目标框重叠面积。
GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。
DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。
CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。
Yolov4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些。
（2）DIOU_nms
当网络训练好之后进行前向推理时，一般会有很多多余的目标框，比如像左图这样，一般情况下，我们会用nms将多余的框删除留下最准确的框，nms主要就是基于iou
在下图重叠的摩托车检测中，中间的摩托车因为考虑边界框中心点的位置信息，也可以回归出来。因此在重叠目标的检测中，DIOU_nms的效果优于传统的nms。
🍈 YOLOV5的核心基础
众所周知，YOLOv5 算法是在 YOLOv4 和 YOLOv3 的基础 上发展而来，YOLOv5 按大小分为四个模型yolov5s、yolov5m、yolov5l、yolov5x。和 YOLOv4 相比，YOLOv5 的架构小 了大约 90%，在准确度上，YOLOv5 的表现优于目前市场YOLOv3 和 YOLOv4 算法。废话少说，我们开始进入我们的知识干货部分。
实际上yolov5s、yolov5m、yolov5l、yolov5x的骨架网络都是相同的，其区别在于深度因子和宽度因子。Yolov5s网络是Yolov5系列中深度最小，特征图的宽度最小的网络。后面的3种都是在此基础上不断加深，不断加宽。
效果图的展示：
YOLOv5 的网络结构
YOLOv5 的网络结构图，分为输入端，Backbone，Neck 和 Prediction 四个部分.
输入端：包括Mosaic 数据增强、自适应图片缩放、 自适应锚框计算。
Backbone：是一个卷积神经网络，对输入的图片提取特征，包括 Focus 结构、CSP 结 构。
Neck：通常使用 SSD 或者 FPN 等方法对特征图进行混合或者组合，形成一些更为复杂的 特征，包括 FPN+PAN 结 构。
Prediction：d用于对图像特征进行预测，生成边界框并预测类别，包括GIOU_Loss 结构。
输入端
Input 端包含 Mosaic 数据增强、自适应锚框计算 和自适应图片缩放。
1.首先我们需要输入图片
把图片放到网络里，图片会自动改变相应的大小，且改变的大小是可以变化的。（V1不可改变其大小，因为全连接层的存在） ，默认情况下图片的大小会被修改为608*608*3。
2.数据增强
yolov5里提供了13种数据增强方式，这个文件夹里是整个项目的参数配置。
YOLOv5在输入端的数据增强方法上同 YOLOv4一样，参考2019年底提出的CutMix数据增强的方式，不同于CutMix的是，Mosaic数据增强则采用了4张图片，每次读取 4 张图片，然后依次将 4 张图片通过随机缩放、随机裁剪、随机排布的方式进行拼接， 这种随机机制丰富了检测目标的背景并且丰富了数据集样本，以便网络可以从增强后的图像中提取到更多的特征，使得网络具有更好的鲁棒性。
2.自适应锚框计算
自适应锚框计算，不同于YOLOv3、YOLOv4 中通过单独的程序来计算初始锚框的值。 在YOLOv5 的网络训练中将计算初始锚框功能嵌入到代码中，在设定的初始锚框上输出预测锚框，然后计算两者误差，，再反向更新，迭代网络参数， 自适应的计算最佳锚框值。
3.自适应图片缩放
在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。对原始图像自适应的添加最少的黑边。
自适应图片缩放是指将不同长宽的图片统一 缩放到一个标准尺寸，然后再当作数据集用来检测处理。图片缩放后，如果图片两边填充的黑边多， 则存在信息冗余，影响速度。对此 YOLOv5 进行了 改修改了 letterbox 函数，使得原始图片能够自 适应减少信息冗余，即减少黑边。可以在推理时降低计算量，提高目标检测的速度。
Backbone
(1）Focus结构
如下图所示
4*4*3的图像切片后变成2*2*12的特征图。
以Yolov5s的结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图。
（2）CSP结构
Yolov4网络结构中，借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。Yolov5与Yolov4不同点在于，Yolov4中只有主干网络使用了CSP结构。Yolov5中设计了两种CSP结构，以Yolov5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。
Cross Stage Partial（CSP）结构的设计初衷是减 少冗余计算量和增强梯度。在 YOLOv5 中设计了两 种不同的 CSP 结构，以 YOLO5s 网络为例，通过 图 1 可以看出，CSP1_X 结构应用于 Backbone 主干 网络，另一种 CSP2_X 结构则应用于 Neck 中。
Neck
YOLOv5 的 Neck 结构和 YOLOv4 的一样，均 用了 FPN+PAN 的结构，不同的是 YOLOv5 网络中 的其他部分进行了调整。如图 5 所示，在 FPN 层 的后面还添加了一个自底向上的特征金字塔，包括 2 个 PAN 结构。YOLOv5 网络结构通过这种方式结 合，FPN 层自顶向下传递强语义特征，PAN 层自底向上传递强定位特征，从不同的主干层对不同的 检测层进行参数聚合，进一步提高特征提取的能力。Yolov4的Neck结构中，采用的都是普通的卷积操作。而Yolov5的Neck结构中，采用借鉴CSPnet设计的CSP2结构，加强网络特征融合的能力。
Prediction
目标检测任务的损失函数一般由 Classification Loss（分类损失函数）和 Bounding Box Regression Loss（回归损失函数）2 部分构成。Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。
转载：https://blog.csdn.net/zzqingyun/article/details/125686414