Module 03 · Object Detection
Bounding Box Predictions边界框预测
在上一个视频中，我们学习了如何使用卷积实现滑动窗口目标检测算法，提升了计算效率。然而，这个方法依然存在一个问题：边界框（Bounding Box）的预测不够准确。今天，我们将探讨如何提高边界框的精确度。
滑动窗口问题：边界框不够精确
在传统的滑动窗口方法中，我们通过将图像划分为多个小区域，然后将每个区域传入分类器进行预测。然而，这样的方法有一个明显的缺点：并不是每个框都能完美匹配目标物体的位置。例如，图像中的物体（如汽车）的真实边界框，可能并不是完全正方形的，它可能具有某种水平长宽比。
如何让边界框更加准确？
YOLO（You Only Look Once）算法可以解决这一问题。YOLO的核心思想是：通过将图像划分为网格，并为每个网格单元预测目标的位置和类别。具体实现方法如下：
YOLO 算法原理
假设我们有一张 100x100 的输入图像，我们将在这张图像上划分一个网格。在示范中，我们使用 3x3 网格（实际应用中可能使用更细的网格，如 19x19）。基本的想法是，将图像分类和定位算法应用到网格中的每个单元格上。
标签定义
对于每个网格单元格，定义一个标签 Y，该标签是一个8维的向量：
- PC（概率值）：表示该网格单元格是否包含物体。
- BX, BY, BH, BW：定义目标物体的边界框（Bounding Box）。
- BX：边界框中心点的 X 坐标。
- BY：边界框中心点的 Y 坐标。
- BH：边界框的高度。
- BW：边界框的宽度。
- C1, C2, C3：如果我们要识别多个类别的物体（如行人、汽车、摩托车），则用这些值表示各个类别的概率。
每个网格单元的标签示例
对于上面提到的 3x3 网格中的每个单元，假设图像中有两个物体：
- 对于没有物体的网格单元，标签为
[0, 不关心, 不关心, ...]。 - 对于包含物体的网格单元，标签为包含物体的位置、尺寸和类别的 8 维向量。
例如，在图像中的左侧，左侧的汽车位于左上网格单元内，所以该单元的标签可能如下：
- PC = 1（表示该位置有物体）
- BX, BY, BH, BW：汽车边界框的坐标。
- C1, C2, C3：对应类别的标签（如 C1 = 0, C2 = 1, C3 = 0，表示是“汽车”）。
在图像右侧，右侧的汽车位于右下网格单元内，标签也会相应定义。
标签矩阵示意图
| 网格位置 | 标签 Y (8维向量) |
|---|---|
| 上左 | [0, 不关心, 不关心, ...] |
| 上中 | [0, 不关心, 不关心, ...] |
| 上右 | [0, 不关心, 不关心, ...] |
| 中左 | [1, BX, BY, BH, BW, C1, C2, C3] |
| 中中 | [0, 不关心, 不关心, ...] |
| 中右 | [0, 不关心, 不关心, ...] |
| 下左 | [1, BX, BY, BH, BW, C1, C2, C3] |
| 下中 | [0, 不关心, 不关心, ...] |
| 下右 | [0, 不关心, 不关心, ...] |
神经网络训练
- 输入：100x100x3的图像。
- 目标输出：3x3x8 的输出体积，每个网格单元输出一个8维的标签。
- 训练：使用反向传播算法，根据真实标签与预测输出之间的误差调整网络参数。
通过这样训练，YOLO算法能够在每个网格单元中准确预测目标的边界框和类别。
YOLO 的优势
- 高效性：YOLO 是一个单一的卷积神经网络（CNN），它能够在一次前向传播中同时预测整个图像的目标位置和类别，而不像传统的滑动窗口方法那样需要多次处理图像。
- 实时性：YOLO的卷积实现使得它能够非常快速地执行，因此可以进行实时目标检测。
- 更精确的边界框：YOLO不仅能够预测目标的位置，还能够预测各种长宽比的边界框，精度较高。
应用细节：边界框编码
为了精确地定义边界框，我们将采用相对坐标表示方法。
- BX 和 BY：目标中心点的位置，取值范围是 [0, 1]。
- BH 和 BW：目标的高度和宽度，相对于网格单元的比例。
例如，右侧的汽车的边界框可能如下：
- BX = 0.4（表示目标中心点的横坐标位于网格单元的 40% 处）
- BY = 0.3（表示目标中心点的纵坐标位于网格单元的 30% 处）
- BW = 0.9（表示目标高度为网格单元宽度的 90%）
- BH = 0.5（表示目标宽度为网格单元高度的 50%）
YOLO的效率与扩展
YOLO的关键优势之一在于它的卷积实现，使得整个检测过程高效且能够实时运行。你不需要分别为每个网格单元（如 3x3 或 19x19）运行算法，而是通过一个统一的卷积网络共享计算资源。
- 使用 3x3 网格：最终输出是 3x3x8 体积。
- 使用 19x19 网格：输出是 19x19x8 体积，能够更精细地预测边界框，减少多物体分配到同一个网格单元的可能性。
总结与后续步骤
YOLO算法通过卷积神经网络实现快速、高效的目标检测，能够在一个前向传播中直接输出精确的边界框和类别预测。
接下来的视频将介绍一些进一步优化YOLO算法的技巧。如果你感兴趣，可以查看 YOLO 的原始论文，虽然它的内容有些难度，但理解它对深度学习的实践非常有帮助。
提醒：阅读YOLO论文可能会遇到一些困难，尤其是如果你是第一次接触。许多研究者在阅读时也曾遇到类似问题。如果感到困惑，可以参考开源代码或向他人请教。
接下来，我们将继续探讨一些能够提升YOLO算法性能的优化方法！ 🚀