一文读懂传统目标检测和YOLO

一、传统的目标检测思路

目标检测简而言之就是识别图片上的物体，标注位置,并将其分类。传统目标检测包括物体定位和物体分类，即先确定物体位置，再进行物体特征的提取，再分类。
大致分为三步：

1. 选取感兴趣区域，即选取可能包含物体的区域——选取区域；
2. 对可能包含物体的区域进行特征提取——特征提取；
3. 对提取的特征进行检测分类——目标分类。

其中最重要的就是候选区域的生成，传统的候选区域生成大致有三种方法，分别是滑动窗口(Sliding Window)，选择性搜索(Selective Search)，EdgeBoxes。

1.1. 滑动窗口（Sliding Window）

传统的目标检测算法采用滑动窗口的方式，即一个固定大小的窗口在检测图片上滑动，依次选取区域进行特征提取，再对提取的特征进行分类，判断是否包含某类物体。

但物体有大有小，用同一尺寸的窗口选取区域会出现三种情况

• 理想情况，滑动窗口正好框住物体
• 滑动窗口＞物体大小，会选取较多背景，物体识别效果较差，准确率低。
• 滑动窗口＜物体大小，对物体局部进行特征提取。产生误分类或多个正确识别的分类

因此需要设计不同大小的窗口，进行区域选取，会产生大量的计算，影响运行速度。

1.2选择性搜索

既然一副图像中物体可能只占一小部分，那着重扫描可能含有物体的区域效率不是更高吗？这也是后续优化的主要思想和方向。
选择性搜索是一种启发式算法，通过分割和合并图像区域来生成可能包含物体的候选框。通俗地来说选择性搜索类似于拼图。

• 一个物体由一些相似的小部分构成，在颜色、纹理等方面会非常相似。
• 选择性搜索把图片切割成许多小区域，小区域如同小拼图块，再逐步把相似的拼图块合并在一起，形成更大的拼图块。
• 如此产生一些不同大小和形状的大拼图块，即是候选框，每个候选框会有一个分数，对应物体存在的可能性大小，最后根据分数确定一些候选框进入下一步处理，判断是否有物体。

1.3EdgeBoxes

EdgeBoxes利用图像中的物体的边缘信息来估计物体的位置和大小，从而生成可能包含物体的候选框。

• 图中包含的物体肯定会有边界，找到边界也就大致找到了物体。
• EdgeBoxes在图片上移动一个特殊的检测区域，检测不同的边缘变化，如果存在就可能存在物体。
• 如此产生一些可能的区域，再用固定大小的窗口去检测可能的区域，并赋一个分数，作为可能的候选框，最后根据分数去选择候选框，进入下一步处理，判断是否有问题。

传统的物体定位不管选用何种的候选区域生成方法，选取候选框花费的时间都是难以避免的，那么去除候选框选取的步骤能否大幅加快检测速度呢？

二、YOLO

2.1YOLO

上述的传统目标检测基本都是**双阶段(two-stage)检测，即先选取候选框，再进行检测，精度较高，但速度较慢，不能满足实时性需求，速度更快的单阶段(one-stage)**检测算法YOLO(YouOnlyLookOnce)应运而生。

2.2单阶段检测和双阶段检测

单阶段(one-stage)目标检测网络与双阶段(Two-stage)检测的有着显著区别，简单来说双阶段检测需要经历定位（候选框生成）和检测识别（物体分类和定位）两个阶段，而单阶段的定位和检测识别在同一阶段。

• 双阶段检测由算法计算出目标候选框，再通过神经网络对目标候选框进行分类与回归。
• 单阶段检测，不再需要候选区域，仅使用卷积神经网络直接将目标定位框转为回归问题。

传统目标检测的两个阶段二合一之后速度显著提升，能满足实时检测的要求。那么YOLO不使用目标候选框是如何定位问题的呢？

2.3YOLO检测策略

YOLO抛弃了传统的的候选区域检测策略，而是采用**“分而治之”**的策略。
YOLO将输入图像均匀划分为许许多多大小相同的网格，由每个网格单元去检测其范围内是否存在目标，在网格内部使用不同的大小锚框(Anchor boxes)进行捕捉物体,并完成对物体的定位，特征提取，物体分类等。
具体的检测策略如下：

YOLO v1将一张图片平均分成7×7个网格，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。

1. 将一幅图像分成S×S个网格(grid cell)，如果某个物体的中心落在这个网格中，则这个网格就负责预测这个物体。
2. 每个网格要预测B个边界框(bounding box)，每个边界框要预测(x,y,w,h)和confidence共5个值，还要预测C个类别信息，记为C个类。
   (x,y指的是x,y坐标，w，h指宽和高，confidence为置信度即是某个类的可能性，C个类别信息为预设要检测的物体类别)

注：在目标检测模型中，边界框回归用于微调模型设定或者学习到的候选框位置，使这些边界框更加接近实际的标注框，是提高目标检测精度的关键步骤之一。

3. S×S个网格，每个网格要预测B个边界框，还要预测C个类。网络输出就是一个S×S×(5×B+C)的张量。

YOLO v1把一张图片划分为了7×7个网格，每个网格预测2个Box(Box1和Box2)，20个类别。网络输出的shape：7×7×30。

---

参考：
前奏 | 传统目标检测算法思路
YOLO系列算法精讲：从yolov1至yolov8的进阶之路