相信Yolo网络大家都很熟悉，从V1到V2引入了anchor（我理解中文翻译是先验框，也就是通过kmeans聚类算法，得到与数据集中bbox最接近的五个框，网络由V1的直接预测box坐标，变为预测bbox框相对于anchor的偏移量。一个cell有5个anchor）。V3自己也不是很了解，但据自己看的博客和资料来看，V3和V2实际上差不多，只不过anchor变为了9个，然后kmeans聚类的尺度变为/原图尺度。(v2的尺度为/fmap，这是个极易忽略的地方)(当然，也有很多这里没提到的改进，具体的变化，大家可以看看相关paper.)

网上有很多文章和博客介绍Yolo网络，在这里，我就不再次重述了。接下来总结下整个项目(攥写本文时，项目还没做完，所以本文的意义可能是为后面还未做的工作提供个工作思路):

实现对用户上传数据集的自动训练(Yolov2),并部署在AIOT芯片上。

(✔) 0.使用微软VoTT目标检测标定软件进行数据集标定。(看了网上不少目标检测数据集标定,都是用labelimg这款开源软件进行标定，从而生成xml文件。)为什么使用VoTT进行数据集标定？经过我的使用，它有如下好处：1.可直接生成含有图像数据的TFRecord文件(对使用TF框架的我，真的是福音。同时，这样的数据集打包方式，能够大大减少后期用户上传的数据集目录结构混乱的几率)。2.支持对视频的标定。3.使用非常方便，导致标定速度要比用labelimg快很多。 —— (✔)1.数据集增强。在本项目的背景下，不可能要求用户上传很大的数据集(比如几百MB，几GB的量级)，所以数据增强对于提升模型的鲁棒性很重要。这里我才用的平移，增加噪声，旋转，剪切操作。 —— (✔)2.基于K-means聚类算法的anchor(先验框)计算。v2引入了anchor后，让网络收敛得更快了。（为什么会这样？根据我的理解加上生动的例子，就比如你想去城市中的某个建筑，在指路的时候，V1这个人给你提供的帮助是，告诉你这个建筑的经纬度坐标。而V2这个人告诉你的是这个建筑相对于你现在位置的偏移量。显然，V2提供的方式，相比于V1提供的方式对于人脑的计算量更小些。[这个例子可能有些不恰当QAQ]） —— (✔)3.loss函数。经过我对Yolo网络的理解，我发现，整个Yolo网络的核心就是它的loss函数，这个loss的计算无疑凝结着yolo网络最精髓的地方。(当然，它也是最需要时间去理解的地方)。相比于滑动窗口实现目标检测，相比于我之前通过opencv获取边缘形态学特征+目标分类而实现的多位手写数字识别(效果:https://www.bilibili.com/video/BV1WE411G7hx)。Yolo的处理速度是真的非常快了。而这个比较快的处理速度，来源于构建yolo的神经网络，这个网络的收敛，又来自于loss计算。所以大家在学习过程中，务必搞清楚loss函数。 —— (✔)4.部署到生产环境中(比如加errorlog,加守护进程等等) ps:训练过程中还有很多其他操作，这个TODO主要整理比较关键的操作。

在Yolov2的loss计算中，每个cell有5个anchor，那么究竟该由哪个anchor来负责预测目标信息呢？答案是采用与GT(ground truth,也就是fmap尺度的box)IOU最大的anchor进行目标信息的预测。在计算时候，不考虑box的坐标位置。将GT和anchor移到同一原点进行计算，注意，参与计算的数值都是归一化后的。 计算过程图示如下： 代码如下: 简单说一下上述代码，首先获得所有anchor的宽度和高度数据，然后根据上面的计算图示，我们要计算A1和A2的面积，假设A1是长宽都比较小的box,那么a1的w和h的值，必定等于anchor和GT中最小的W和最小的H。再把这两个最小的w,h相乘，就得到了交集面积A1。那么A2的处理也是同理了。根据IOU=交集面积/并集面积。可以得到如下公式:IOU=A1/(A1(GT面积)+A2-A1(交集面积))。 注意，如上的A1并不能约去，因为他们的数学意义是不同的。一个为交集面积，一个为GT面积。在如上的情况下，二者的值是相等的。但是在如下的情况下,二者值并不相等:

Yolov2网络输出为一个fmap，fmap的深度为5*（1+4+classes(分类个数)），如下花了一张图，方便大家理解。（在这里要多说一句，某个深度表示什么，完全取决于loss函数计算，也就是你让某个滤波器取拟合什么数据，它所预测的就是什么数据） PS:很多人对这个xywhc的含义不太了解，为了防止大家再次踩坑，用中文描述一下吧。xy是bbox中心相对于Cell左上角坐标的偏移量。wh是bbox宽度相对于anchor的偏移量。c是bbox的置信度。

很多刚刚接触yolo的同学可能会问，为啥我网络输出那么多框啊QAQ，真就满屏都是框。例如，下面的图片(当然，置信度不会都像下面这样高。楼主出现如下错误，主要是因为loss函数理解有些问题，导致不能很好的适配maixpy固件里封装好的nms算法。) 出现如上满屏是框的问题，主要是由于没有对网络输出卷积层做NMS。那么好奇的孩子可能会问，为什么不做NMS就会出现这样的问题呢？假设grid_w=10,grid_h=10，那么整个图像就有100个Cell，在yolov2中，每个cell有5个anchor，所以理论上网络会输出500个bbox。所以，假如没有NMS，出现如上情况是正常的。 那么NMS用来干啥的？，NMS，非极大值抑制。从它的名字就可以很清楚的知道它的作用。有两个关键词，第一个是“非极大值”，对于yolo来说，评估bbox是否可靠的的参数，就是它的置信度。所以这里的极大值指得是置信度。第二个关键词“抑制”，抑制是什么意思呢？表面上说，就是阻挡某个东西。 那么把这六个字连起来，NMS的作用就很明显了。对不是极大的置信度进行抑制。 很多人看到这里，可能会说，这不简单嘛？找出最大的置信度的框。能有这样的想法很正常，我当初也是这样想的。不过QAQ，实际上不是这样的。更准确的说法是，设定一个置信度阈值，找出置信度高于这个置信度阈值的框。 现在是不是感觉NMS其实也不是那么难理解，不过看到这里，才刚刚说完NMS算法的一半。另外一半同样也比较重要。仔细推敲上文的NMS方法，我们会发现个BUG，那就是，万一超过置信度阈值的框依旧很多呢？那不也是会导致满屏是框吗？？？(黑人问号表情包？？？) 那么我们还需要对这些高于置信度阈值的框做第二步操作，也就是合并操作。设置一个IOU阈值，假如两个框的交并比大于这个IOU阈值。我们就让它两合并。可以预见的是，这样合并着合并着，框就会变得很少了。下面是这个过程的简图：希望促进大家理解

经过对代码的优化，渐渐发现，pc端的nms实际效果很差(loss很小)。这明显是不符合逻辑的，于是开始检查nms的逻辑，又查阅了下资料。发现自己对nms的第二步操作理解有误。正确的第二步操作应该是假设上图的box1和box2的iou(交并比)大于iou阈值(此处为0.4)，则认为他们mark的是同一个目标，则留下置信度最高的框，另外一个框去掉。(也就是假如box1的置信度为0.9，box2的置信度为0.8，iou大于0.4，则选择box1,丢掉box2)

首先，NMS是不考虑类别问题(原因：1.假如两个类别没有重叠，那么iou必定为0。2.假如两个类别有一定的重叠，还可以根据IOU阈值进行过滤)的。假如有n个框(在这里为了方便说明，则取A,B,C,D)。假设A框的置信度最高，则把A框添加到nms输出的list中。再将A分别与B,C,D进行IOU计算，假如IOU大于NMS所设置的IOU阈值，则认为他们标注的是用一类目标，则移除B/C/D。若IOU低于NMS所设置的IOU阈值，则再从低于阈值的框中选择置信度最高的框，重复上述过程。 可能大家看到这里还会有个疑问，那置信度阈值干啥的？在我实际看来，置信度阈值可以在一开始过滤掉很多不理想的框，降低后面进行基于IOU阈值过滤框的时间。(因为我是在k210上跑，pc上可能不明显。k210上，假如你将这个置信度阈值调低到0.01，基本就是0.x帧的水平)

NMS非极大值抑制算法就是干了这两件事情，是不是也没那么神秘。接下来要吹一波tensorflow了。tensorflow有个NMS的API，可以供大家直接调用QAQ。(太香啦) 以下为API的文档(地址在：https://tensorflow.google.cn/api_docs/python/tf/image/non_max_suppression?hl=en)，有需要的朋友，可以自己去查阅。

由于用了Mobilenet，效果上自然和原论文里的darknet19无法比。loss最低0.5左右，在pc上nms后，效果如上。通过nncase量化后，跑在k210上的效果惨不忍睹。还在继续优化模型中。根据测试，loss收敛到0.01量级能有比较好的效果。 以下为PC端效果视频: https://www.bilibili.com/video/BV1Za4y1v7Lp （继续优化，如果各位前辈有好的优化建议，也欢迎私信我）

avg loss = 0.07，K210上跑的效果图(视频见:https://www.bilibili.com/video/BV1B64y1M73y)，感觉框很多，并且置信度都很高。继续优化。经过和大佬的交流，发现可能是mobilenet不方便nncase量化(用mobilenet做基网络的同学要注意啦)。

还有个问题就是中间的Cell响应比较好，边缘的cell基本没有响应了。仔细想了下，由于数据增强后，我的四周pad操作，导致四周基本没啥数据。下一步将会下调数据增强的权重(楼主之前训练集全靠数据增强QAQ) 下一波的TODO就是:

1.降低数据增强的权重，增加数据集数量，再次用mb测试效果。 2.若1.的效果仍不乐观，则采用tiny-yolov2中的darknet为基网络。

今天是五一劳动节，祝大家劳动节快乐呀。劳动节，当然是劳动啦。最近把上面的两个TODO都试了下，首先是1.，本来想降低data augment的权重的，但是无意间发现，自己的augment操作中存在些不不利于网络收敛的操作。(比如cut out，直接把一个目标cut了3/4)。然后改了改，发现效果还不错。于是试了下多类别的目标检测，结果类别的prediction又炸了QAQ(心累中…)，明天有时间继续研究。 其次是2.我发现用了tiny-yolov2中的基网络，效果还没有mb好。QAQ，果断直接放弃，应该是大佬之前大佬所说的tiny-yolov2效果好，是因为网络被大佬重新优化过。(但是我优化技术不行呀) 效果:https://www.bilibili.com/video/BV1Xt4y127Xz 下一波的TODO：

优化class的loss函数

经过几天的优化QAQ，本项目的主体程序搭建验证完毕。离上线还有一些代码需要写和debug。后天就开始考试了QAQ。争取在五月底左右上线吧。以下为loss曲线，如果大家在训练过程中，loss曲线不长这样，可能是因为:1.数据集标定错误(/加载错误)，2.loss函数错误 这样两个错误引起的。(别问我为啥知道，因为这两个坑我都踩过QAQ)

从最后的结果来看QAQ，tiny yolov2效果好一些QAQ。，但是mb的网络小一些(alpha=0.25)