一種基于YOLO的寵物圖像識別方法＊

汪 洋，宋廣佳，胡建華

（浙江農林大學暨陽學院，浙江 紹興311800）

早期的目標檢測方法通常是通過提取圖像的一些robust的特征（如Haar、SIFT、HOG等），使用DPM（Deformable Parts Model）模型，用滑動窗口（Silding Window）的方式來預測具有較高score的bounding box[1-2]。這種方式非常耗時，而且精度不高。近年來，隨著人工智能的強勢崛起，機器學習、大數據、各種生物識別技術發展迅速，其中就包括了寵物識別[3-5]。在大數據時代，它更加復雜且更加強大的深度學習模型更能深刻揭示海量數據里所承載的復雜而豐富的信息，有利于對未來或未知事件做更精準的預測。這使人們開始研究寵物識別，在機器識別代替真人工作的模式上有了重大突破[6-9]。

隨著深度學習的開發和研究，越來越多的人認識到了機器識別帶來的方便和快捷，計算機往往比人類自己本身更加準確和有效率。所以許多的識別框架被開發了出來，比如CNN、SSD、YOLO（You Only Look Once）等一系列優秀的智能識別算法。其中基于回歸方法類的檢測算法YOLOv3受到了大眾的歡迎。YOLOv3是Redmon基于YOLOv2的改進算法，不同于YOLOv2的網絡結構Darnet19，YOLOv3使用了新的結構，其中有大量的3×3、1×1的卷積層，一共為53個卷積層從而命名為Darnet53，并且YOLOv3使用多個獨立邏輯回歸分類器，可以對每個物體進行是否屬于當前標簽的判斷，實現了多標簽分類。本文則利用YOLOv3方法實現了對寵物圖片的智能識別，新的寵物識別方法速度快、精度高，具有很高的理論和實踐價值。

1 研究背景

20世紀80年代末期，人工神經網絡的反向傳播算法（Back Propagation算法或者BP算法）的出現給機器學習帶來了希望，掀起了基于統計模型的機器學習熱潮。人們發現，利用BP算法可以讓一個人工神經網絡模型從大量訓練樣本中學習出統計規律，從而對未知事件做預測。這種基于統計的機器學習方法比起過去基于人工規則的系統，在很多方面顯示出優越性。這個時候的人工神經網絡，雖然也被稱作多層感知機（Multi-layer Perceptron），但實際上是一種只含有一層隱層節點的淺層模型。2006年，加拿大多倫多大學教授、機器學習領域專家GEOFFREY H和他的學生RUSLAN S在《Neural computation》上發表了一篇文章，開啟了深度學習在學術界和工業界的浪潮。

隨后Google、微軟、百度等知名的擁有大數據的高科技公司爭相投入資源，占領深度學習的技術制高點。在大數據時代，更加復雜且更加強大的深度模型更能深刻揭示海量數據里所承載的復雜而豐富的信息，并對未來或未知事件做更精準的預測。寵物圖像處理是圖像處理中與人臉檢測同樣重要的研究課題，其研究成果在人們生活的方方面面都有廣泛應用。圖像處理技術是在第三代計算機問世后才得到了迅速發展，它的快速發展使所有圖像處理的問題都可以由數字信號來處理，這為接下來的各種由圖像處理引伸出來的應用打下了基礎。在國際上，圖像處理的研究大概始于20世紀60年代，因為圖像所含的信息量巨大，為了達到實驗得處理要求，現在的圖像處理系統都采用了高性能、高速度的處理器。

隨著近些年來國內寵物市場的發展，一直滯后的寵物識別領域也受到了空前的重視，通過深度學習對圖片中數據進行采集，然后進行機器學習式的卷積神經網絡訓練，計算機能輕易地識別各種寵物類別。由于寵物圖像處理的數據量大、相關性高，機器識別方法突破了識別物體對于人的局限性，大大減輕了人類的工作量，系統運行成本低，實現簡單，為產品的大眾化提供了理論和技術支持。

最重要的是在眾多深度學習的優秀算法中，SSD和CNN由于復雜度過高，在性能較好的GPU中也依舊運行比較緩慢，而YOLO系列就解決了此類問題，進一步增強了描述特征的能力，使它在即使很小的檢測處理目標中也能脫穎而出，使人工智能更加的親民化。此外YOLO還將預測層的softmax函數改為了logistic函數，大大提高了檢測能力。YOLO的特點是可以一次性預測多個Box位置和類別的卷積神經網絡，能夠實現端到端的目標檢測和識別，其最大的優勢就是速度快。YOLO沒有選擇滑動窗口（Silding Window）或提取proposal的方式訓練網絡，而是直接選用整圖訓練模型，這樣做的好處在于可以更好地區分目標和背景區域。

2 基于YOLOv3的寵物識別方法

YOLOv3是一種利用坐標的端點卷積神經網絡，算法將檢測的目標分為區域檢測和類別檢測，使用單個卷積神經網絡來預測被選中目標類別的概率。YOLOv2的基礎網絡十分簡單，且精準度不夠，YOLOv3在YOLOv2的基礎上利用深度殘差網絡提取圖像特征，獲得了很好的檢測準確度和速度。YOLOv3采用多個scale融合的方式做預測，算法工作流程如圖1所示。首先設計passthrough layer，假設最后提取的feature map的size是13×13，那么passthrough的作用就是將前面一層的26×26的feature map和本層的13×13的feature map進行連接。算法將圖像劃分為一個S×S的網格，當檢測目標落在某個網格中，那么這個網格就是檢測對應物體的標準，同時每個網格預測N個目標窗口，而每個窗口都有5個參數的運算，分別是目標的中心坐標（x，y）、目標的高度（height）、目標的寬度（width）和它的置信度概率（confidence），利用NMS算法進行迭代、遍歷、消除的過程，最終輸出置信度最高的目標。

圖1 YOLO檢測流程圖

YOLOv3使用了FPN（feature pyramid networks）的想法，在3種不同的規模上預測，13×13、26×26、52×52。網絡結構（Darknet-53）一方面基本采用全卷積，另一方面引入了residual結構，克服了YOLOv2中類似VGG那樣直筒型的網絡結構，層數太多訓起來會有梯度問題，得益于ResNet的residual結構，訓深層網絡難度大大減小，因此這里可以將網絡做到53層，精度提升比較明顯。

3 實驗結果

實驗環境為Windows10，Intel i9 10900x CPU，32G DDR 2600 Memory，IDE為Anaconda，代碼庫TensorFlow1.10、pillow6.2.0、keras2.2.4、matpkotlib3.1.1、opencv-python 4.1.1.26。

利用數據集，分別把貓、狗分成6類，每組3類，根據上述修改相應的配置數據后使用python train.py跑訓練集，經過200次訓練后，得到權重.h5文件，在Anaconda Prompt控制臺運行python yolo_video.py--image，得到輸出結果。因為本次實驗設備有限，在訓練次數不夠多時，結果并不理想，在置信度高時無法選中被檢測目標，所以修改置信度為0.000 01得到實驗結果。

YOLOv3用于提取特征的最小特征圖，尺寸大小僅為13×13，相對于SSD中的1×1仍然嚴重偏大。在使用了pycharm框架后，方便了自行設計參數，如類別、分類、置信度等，并且提供的是圖形化界面，省去之前用命令行操作時間，大大簡化了測試步驟，美化了測試界面，并且可直接將訓練完成的數據集改成自己想要的幾類檢測對象，可輕易地實現對目標的檢測效果，并且準確率較高。

實驗中發現pycharm上檢測并不完美，加上數據集和訓練集訓練次數的區別，如果2種動物的檢測數據集外貌相近，提取的特征值相接近，無法十分準確地區分正確的寵物類別，使本實驗中對于相近動物的區分檢測效果差，產生誤檢、漏檢等問題。采用一張3只羊的圖片，1、2號框為檢測到目標為羊，3號框為檢測到目標為狗，此時置信度為0.6，檢測效果如圖2所示。

圖2 誤檢圖

當設置置信度為0.8時，左右兩邊的檢測目標消失了，同時產生了漏檢和誤檢的問題，結果如圖3所示。這與訓練次數有關，可以通過增加訓練次數來提高檢測正確率。

圖3 漏檢圖

調整完參數后，放入檢測圖片，準確度可達到90%以上，結果如圖4所示。

圖4 檢測結果圖

4 結論

通過對本系統的測試，發現了依然存在著許多的問題，在Windows系統下的檢測需要相應的配置，在GPU的訓練環境下會比CPU快許多倍，并且在命令控制臺運行時有諸多的不方便，使其難以得到推廣。在Pycharm上則要方便許多，更容易進行錯誤排查與調試。YOLOv3的算法并不完美，在識別不同種類外形相近的寵物時，準確率還有待提高，但利用YOLO算法中的tiny-model可以減少CPU占用率而提升訓練效率。batch_size是訓練批次大小，數據集大的時候，batch_size越大跑得越快，但過大會顯存不足，5G顯存最好是16或者32。epochs是訓練次數，數據集越大，需要的epochs越大，loss要降到5左右，如果沒到，繼續增大epochs。