Day 17 - YOLO 相关概念说明

如果不说明一下 YOLO 的运作概念，对於如何调整 YOLO 参数将会是一筹莫展，所以今天就来说明一下影像辨识的基础概念一直到 YOLO 的运作概念

人工智慧、机器学习与深度学习

影像识别其实是深度学习的一种应用，而深度学习是机器学习的一个子集，机器学习则是包含在人工智慧这个大范围内。人工智慧当初的发想是希望透过计算机来取代人类的许多能力，可以包含五感，如视觉、听觉、嗅觉、味觉和触-压觉五种感官的感知，在透过大脑的思考来进行判断，广义上可以这样思考。而机器学习则势将这样的想法具体化成

• 监督式学习：已经知道答案（标签），然後透过演算法来训练机器来学习如何从特徵中找出答案，因为知道答案，所以比较容易评估演算法的表现。
• 非监督式学习：不知道答案，所以我们就透过演算法想办法凑出答案，常见的作法就是聚类 (clustering)。
• 强化学习：透过摸索、试误，并根据环境的回馈，来找出最佳答案。

这些学习的目的都是为了让机器可以协助人类进行判断，进而找出最佳答案，那现在问题来了，什麽是答案？简单来分，答案有两种，比方说，明天会不会下雨，可以说 80％ 会下雨，或是说会下雨，专业一点的说法是一种是离散，一种是类别。

以下以 BMI 的标准来想像所谓的机器学习，假设我们不知道 BMI 的公式，而我们的到这样一张表格，体重状况就是的答案（标签）也就是我们要预测的目标，而 体重、 身高、 性别、年纪，就是特徵，现在就是要透过这些特徵来找出第四笔资料应该是什麽内容？很明显的，这就是一个监督式机器学习，而且是属於类别形的判断。机器学习的过程希望找出一个函数（模型），让我们将体重、 身高、 性别、年纪等特徵输入进去後，可以得到一个结果，可能是就是正常、过重或过轻。

於是就有人想出，那能不能把整个判断式想成以下这个方程序，那问题就变得很简单，就是只要找出权重值就好。

$h_w(x)=w_0 x_0 + w_1 x_1 + \dots + w_d x_d=\sum_{i=0}^{D} w_d x_d$
其中：

• $x_0, x_1, \dots, x_d$为特徵，$D$为特徵的总数，以这个例子来说就是4
• $w_0, w_1, \dots, w_d$为权重参数
• $h_w(x)$代表判别式，用於根据传入的特徵预测输出结果
• $x_0$称为偏置项(intercept term/bias term)，一般设置为1即可

面对上面这样的问题，很明显的我们需要做很多资料前处理的动作，比方说把男、女，转换成数值，当然，输出的结果（体重状况）也应该是个数值。这就是一个很典型的机器学习的例子，找出特徵，处理标签等等的，相信有很多人都可以发现，年纪似乎不是 BMI 计算的数值内容，性别也不是，这就是所谓特徵的相关性的问题，特徵与标签相关性的问题，把所有搞机器学习的人搞疯了，因为要进行机器学习之前必须先找出特徵，这导致很多机器学习的研究停滞不前了。後来，竟然有人想说，那是不是可以建立一个模型，让这个模型自己找出资料的特徵，於是深度学习就出现了。透过一连串神奇的操作後，特徵就自己跑出来了，而常见的技术就是 CNN, DNN。

关键名词解释

训练模型

卷积神经网路（Convolutional Neural Network, CNN）：是 YOLO 应用的主要技术，透过 CNN 先找出符合的物体，之後再判断哪一区域有符合的物体，且机率最高，即将该区域以方框标注。以下大致描述一下 CNN 的内容。

卷积神经网路由一个或多个卷积层 (Convolutional) 和顶端的全连通层 (full-connection)（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入资料的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音辨识方面能够给出更好的结果。下图就是 YOLOv3 用来萃取特徵的 darknet-53 的 53 层 CNN 网路，其中的 Residual 指的是残差层，主要是用来避免网路层数过多而造成的缺点。卷积神经网路（例如Alexnet、VGG网路）在网路的最後通常为 softmax 分类器。微调（fine-tuning）一般用来调整 softmax 分类器的分类数。例如原网路可以分类出 2 种图像，需要增加 1 个新的分类从而使网路可以分类出3种图像。微调可以留用之前训练的大多数参数，从而达到快速训练收敛的效果。例如保留各个卷积层，只重构卷积层後的全连接层与 softmax 层即可。

图 1、YOLOv3 的 darknet53

卷积层：是一组平行的特徵图（feature map），它通过在输入图像上滑动不同的卷积核并执行一定的运算而组成。
池化层（Pooling）：它实际上是一种非线性形式的降采样。
激励层：线性整流层（Rectified Linear Units layer, ReLU layer），主要可以增强判定函式和整个神经网路的非线性特性，而本身并不会改变卷积层。
完全连接层：最後，在经过几个卷积和最大池化层之後，神经网路中的进阶推理通过完全连接层来完成。

训练过程

期 (epoch)：1 个 epoch 等於使用训练集中的全部样本训练一次。
批次尺寸 (batchsize)：一次训练的样本数目。
细分 (subdivisions)：一次批次可以细分成几次放入记忆体内。
迭代 (iteration)：一个 iteration 等於使用 batchsize 个样本训练一次；

epoch=(全部训练样本/batchsize)/iteration

举个例子，训练集有 1000 个样本，batchsize = 10，那麽训练完整个样本集（1次epoch）需要：100 次iteration。

1 = (1000 / 10) / 100

而通常在调整参数时，batchsize 是可以被调整的，考量的基础如下：

1.通过并行化提高记忆体利用率。
2.单次 epoch 的迭代次数减少，提高执行速度。
3.适当的 batchsize，可以使梯度下降方向准确度增加，训练震动的幅度减小。

但明显的是 batchsize 的大小是跟记忆体相关的。

成效评估

下图是根据 YOLOv3 的论文中撷取出来的图片，只能说这是给天才看的，我这个凡人实在无法想像，把关键线条画在图表的左边是什麽意思，执行时间是负的吗？因此，又找了一张图，是 YOLOV4 的作者画出来的，比较人性化了，可以发现 YOLOV3 速度是够快，但精准度似乎有点差强人意，这是在 Nvidia V100 的 GPU 运算速度。现在我们需要理解的就是，何谓 mAP。

图 2、YOLOV3与多种影像辨识模型在微软的COCO资料集的效能表现

图 3、多种影像辨识模型在微软的COCO资料集的效能表现

预测结果可以细分为：

• True：表示实际结果与预测结果一致(预测正确)。
• False：表示实际结果和预测结果不一致(预测错误)。
• Positive：表示预测为 1。
• Negative：表示预测为 0。

上述各中情况将分别简写为：TP, FP, TN, FN。因此：

• TP：模型预测结果为P(Positive, 1)，实际结果为 1，预测正确 (True)。
• FP：模型预测结果为P(Positive, 1)，实际结果为 0，预测错误 (False)。
• TN：模型预测结果为N(Negtive, 0)，实际结果为 0，预测正确 (True)。
• FN：模型预测结果为N(Negtive, 0)，实际结果为 1，，预测错误 (False)。

根据上方情况，定义出以下的衡量指标：

• 正确率：$Accuracy=\frac{#TP+#TN}{#TP+#FP+#TN+#FN}$
  • 体现了预测正确的样本数占总样本数的比重
• 精度：$Precision= \frac{#TP}{#TP+#FP}$
  • 体现了预测为目标物且实际上也确实为目标物的比例。Precision 有另一个名字称作 Positive predictive value (PPV)，它反映 「误报」 程度：精度越高，误报越小。
• 查全率：$Recall = \frac{#TP}{#TP+#FN}$
  • 体现了：实际为目标物也确实被预测为目标物的比例，可以得知模型找出目标物的能力。Recall 也有另一个名字称作 Sensitivity。它反映 「漏报」 程度：查全率越高，漏报越少
• $F1 Score = \dfrac{2 PR}{P+R}$
  • 其中，P 为 Precision, R 为 Recall
  • 在针对 Validation Data 进行对比时，应选择 F1 Score 最大的那个判别式来作为最优解

物体侦测除了要判断影像中的所有物体各自属於哪个类别之外，还要找出物体的位置。可想而知模型的好坏不能只单靠准确率来做判断，因此我们需要其他评估方式来判定模型的物体侦测能力。
Intersection over Union (IoU)
$IoU = \dfrac{Area of Overlap}{Area of Union}$

IoU 的概念还满简单的，就是评估预测的方块框 (bounding box) 与 真实的方块框 (ground-truth bounding box) 是否重叠的指标。一般情况下，如果预测的方块框被预测为确实有目标物存在，而且 IoU ≧ 0.5 (此 threshold 会依情况有所调整) 我们就认定此 bounding box 为 TP (True Positive)，反之则为 FP (False Positive)。根据这个判断可以算出 Precision 跟 recall，而 AP (Average Precision) 就是计算 Precision-recall curve 底下的面积。详细的计算可以参考 mean Average Precision (mAP) — 评估物体侦测模型好坏的指标。

图 4、Average Precision的计算

mean Average Precision (mAP) 指的应该是当我们计算每一个类别的 AP 之後再作平均就会得到 mAP。以coco数据集来说，它有 80 个类别。

参考资料

• 卷积神经网路，https://zh.wikipedia.org/wiki/卷积神经网路
• (深度学习)ResNet之残差学习，https://medium.com/@hupinwei/深度学习-resnet之残差学习-f3ac36701b2f
• 详解残差网络，https://zhuanlan.zhihu.com/p/42706477
• Epoch, Batch size, Iteration, Learning Rate，https://medium.com/人工智慧-倒底有多智慧/epoch-batch-size-iteration-learning-rate-b62bf6334c49
• 神经网路中Epoch、Iteration、Batchsize相关理解和说明，https://codertw.com/程序语言/557816/#outline__3
• mean Average Precision (mAP) — 评估物体侦测模型好坏的指标，https://medium.com/curiosity-and-exploration/mean-average-precision-map-评估物体侦测模型好坏的指标-70a2d2872eb0
• The Confusing Metrics of AP and mAP for Object Detection / Instance Segmentation，https://yanfengliux.medium.com/the-confusing-metrics-of-ap-and-map-for-object-detection-3113ba0386ef
• YOLO v3 物件侦测~论文整理，YOLO v3 物件侦测~论文整理，https://medium.com/image-processing-and-ml-note/yolo-v3-物件侦测-论文整理-11ee909430c8
• 目标检测|YOLOv2原理与实现(附YOLOv3)，https://zhuanlan.zhihu.com/p/35325884
• 目标检测|YOLO原理与实现，https://zhuanlan.zhihu.com/p/32525231