2025《YOLO系列目标检测算法原理分析》1000字.docVIP

PAGE19

PAGE21

YOLO系列目标检测算法原理分析

YOLO也是基于直接回归的目标检测算法的一种，属于一步法，同时也是本文改进所基于的算法。

YOLO系列算法检测原理大都相似，首先为了得到固定尺寸的特征图（featuremap）（例如n×n）而采用特征提取网络提取所输入特定图像的特征，，之后，将输入图像按照得到的特征图的尺寸划分成网格形式，例如n×n个单元格，由不同单元格预测不同目标，不同的目标具体由哪个单元格预测取决于GroundTruth中目标的中心坐标落在哪个单元格（gridcell）内。不同的单元格预测不同数量的边界框（boundingbox），其中和GroundTruth的交并比数值最大的那个边界框产生最终对目标的预测。

输出的特征图共有三个维度，分别是宽、高、通道数，通道数也就是常说的深度，比如B*（5+C），公式中的B代表任意一个方块所对应预测的先验框的个数，C代表先验框内目标的种类个数[22-26]。式中的数字5代表4个坐标信息和1个先验框置信度（ObjectnessScore）。

YOLOv3所采用的训练方式依然是YOLO系列传统使用的的变尺度训练方式。由于卷积运算是卷积核以一定的步长（stride）在输入图像上滑动，因此当特征图通过3×3的卷积运算后，可以增加自身通道数，而进行了3×3卷积运算后的特征图再通过1×1的卷积可以压缩自身。因此我们可以发现，YOLOV3网络中存在许多3×3与1×1大小的卷积层。

YOLOv3目标检测网络的完整结构如图2.1所示，其中backbone主干网络部分为Darknet-53。

图2.1YOLOv3网络结构

YOLOV3的主干网络采用了特征提取网络Darknet-53，详细结构见图2.2。

图2.2Darknet53结构图

YOLOv4中，对Darknet53做了一点改进，借鉴了CSPNet，CSPNet全称是CrossStagePartialNetworks，也就是跨阶段局部网络。CSPNet解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，因此减少了模型的参数量和FLOPS数值，既保证了推理速度和准确率，也减小了网络尺寸。CSPNet就是基于Densnet的思想，复制基础层的特征映射图，通过denseblock发送副本到下一个阶段，从而将基础层的特征映射图分离出来。这样可以有效缓解梯度消失问题，支持特征传播，鼓励网络重用特征，从而减少网络参数数量。最终的CSPDarknet53结构如图2.3。

图2.3CSPDarknet53结构图

而本文所改进的YOLOv4-tiny网络是简化版的YOLOv4网络，是YOLOv4的压缩版本。它是基于YOLOv4，但使网络结构更加简单，并降低参数，使之在移动和嵌入式设备的开发更为方便。使用YOLOv4-tiny，可以进行更快的训练和更快的检测。它只有两个YOLO头，而YOLOv4中有三个。并且已经从29个预训练的卷积层中进行了训练，而YOLOv4从137个预训练的卷积层中进行了训练。

Yolov4-tiny使用特征金字塔网络提取不同尺度的特征图，进而提高目标检测速度，而没有使用Yolov4方法中使用的空间金字塔池和路径聚合网络。

Yolov4-tiny的结构图如图2.4。

图2.4YOLOv4-tiny结构