Coursera 笔记

Module 03 · Object Detection

YOLO AlgorithmYOLO 算法

Coursera ↗

在本视频中，我们将把目标检测的所有组件结合在一起，构成 YOLO 目标检测算法。首先，我们来了解如何构建训练集。

构建训练集

假设你正在训练一个算法来检测三种物体：行人、汽车 和 摩托车。同时，你还需要明确 背景类，即不属于这三类的物体也需要标注为背景。

输入输出维度说明

  • 假设你使用 两个锚框，那么输出 y 的维度为 3x3，这是因为你使用的是 3x3 网格单元。
  • 输出维度：
    • 第一维为 3x3（表示网格单元的数量）。
    • 第二维为 2，表示有 两个锚框（Anchor Boxes）。
    • 第三维为 8，这表示每个锚框对应的输出维度。8包括：
      • 5：包含了 Pc（物体存在的概率） 和 边界框参数（Bounding Box），即 PC, PX, PY, PH, PW。
      • 3：表示物体的 类别（C1, C2, C3），即行人、汽车和摩托车。

因此，输出 y 的维度可以表示为：
3x3x2x8 或 3x3x16。

训练过程：为每个网格单元生成目标向量 y

  1. 空网格单元的处理：
  • 对于没有目标物体的网格单元，例如左上角的网格单元，其对应的目标向量 y 应该如下：
    • Pc = 0（没有物体存在）。
    • 对应的 锚框 和 类别 的其他部分都为“不关心” (don’t care)。
  1. 包含目标物体的网格单元：
  • 假设在某个网格单元中检测到了一辆 汽车，该汽车的边界框比高稍宽。
  • 假设有两个锚框，锚框1是较为方形的，锚框2稍微宽一些。
    • 如果汽车的形状与锚框2更匹配，那么该汽车的目标向量 y 应该如下：
      • 对于锚框1，Pc = 0。
      • 对于锚框2，Pc = 1（表示物体是汽车）。
      • 包括汽车的 边界框信息 和 类别标签（C2 = 1）。

通过这种方式，每个网格单元都会输出一个 16维向量（3x3x16）。在实际应用中，可能会使用更大的网格（如 19x19），并且可以使用更多的锚框（例如 5个锚框）。

YOLO的训练过程

你会训练一个 卷积神经网络（ConvNet）输入图像（例如 100x100x3），并最终输出一个形状为 3x3x16 或 3x3x2x8 的输出卷积结果。

YOLO目标检测：预测过程

给定一个图像，神经网络 会输出一个形状为 3x3x2x8 的张量，其中每个网格单元会输出一个向量。例如：

  • 对于网格单元 左上角，如果没有物体，神经网络应该输出 0（没有物体），并且其它值将被视为“噪声”。
  • 对于检测到 汽车 的网格单元，神经网络应该：
    • 对 锚框1 输出 0（没有汽车）。
    • 对 锚框2 输出正确的边界框信息和类别标签（C2=1），并忽略其它值。

非极大值抑制（NMS）

接下来，我们使用 非极大值抑制（NMS）来优化预测结果。

  1. 每个网格单元的预测：
  • 如果你使用 两个锚框，每个网格单元会输出两个预测的边界框。
  • 一些边界框可能有很低的概率（Pc），因此需要去除低概率的预测。
  1. 去除低概率预测：
  • 对于那些概率低的预测，即使神经网络认为该物体的概率较低，我们也应该将其去除。
  1. 对每个类别分别执行NMS：
  • 如果你要检测 三类物体（行人、汽车、摩托车），你需要对每个类别分别运行 NMS：
    • 对 行人类别运行NMS。
    • 对 汽车类别运行NMS。
    • 对 摩托车类别运行NMS。
      这样可以确保每个类别的物体都被准确检测到。

总结：YOLO目标检测算法

YOLO（You Only Look Once）是一种非常高效的目标检测算法，集成了计算机视觉领域中许多最优秀的想法。它通过将图像划分为网格，并在每个网格上预测多个边界框，从而实现高效的目标检测。

YOLO的应用

  • 你将在本周的练习中有机会 实践实现 YOLO算法的各个组件，并加深对目标检测的理解。
  • 此外，视频后还有一个 可选的视频，可以根据自己的兴趣选择观看。

下周再见！ 🎥