YOLOv1，YOLOv2 & YOLO9000 论文解读

YOLOv1

paper title：You only look once: Unified, real-time object detection
paper link：https://arxiv.org/pdf/1506.02640.pdf
oral presentation：https://www.youtube.com/watch?v=NM6lrxy0bxs
darknet YOLO： https://pjreddie.com/darknet/yolo/

YOLOv1 TensorFlow代码解析

YOLOv1(以下YOLO均指YOLOv1)实现了端到端的目标检测任务，无需进行候选框提取，速度很快。不同于R-CNN，Fast R-CNN将物体检测任务转化为分类问题，YOLO将物体检测看作一个回归问题，通过将图片划分为一些格子，使用网络预测在这些格子上的目标的Bounding box和类别。
。
基本思路：
YOLO将图片为成S*S个格子，在每一个格子上预测目标的Bounding box和类别，每个格子上输出一个长度为B*5+K的输出结果，其中B是每个格子上预测的Bbox的数目，包括五个维度x，y，w，h，C，四个坐标值和一个分数，K是分类目标的数目，最后的网络输出是S*S*(B*5+K)的tensor。
在预测的Bbox的五个维度中x，y是中心点坐标，这个中心点坐标指相对于格子左上角的相对坐标，并用格子的宽度进行归一化，也就是一个归一化的偏移量，；w，h是Bbox的宽和高，是指用图像的宽和高进行归一化后的值；知道了Bbox坐标的这两个信息之后，就可以在预测时根据输出结果恢复Bbox在图像中的像素坐标位置。
C 是confidence score，这个分数体现了模型有多确定这个Bbox包含目标并且就是它要预测的那个。 当格子中包含物体的时候，希望这个分数等于预测的Bbox和truth Bbox 的IoU；当格子没有物体的时候，希望这个分数为0。
K是分类的数目。K个值实际上对应目标物体属于每个类别的分数，YOLO文章中不管B为多少，即预测几个Bbox, 目标类别的分数只有一套。

网络结构:
YOLO的网络结构(参考了inceptionv1的网络结构，但是沒有使用inception模块，只是使用{3x3+1x1}的这样的结构)：

最后网络输出的是一个7x7x30（dataset:Pascal VOC）的tensor, 7x7是一开始划分的格子的数目，30=(2*5+20)，2个box，每个box有五个值x,y,w,h,C，以及20个class。

网络训练： 在ImageNet 1000类的分类任务上对模型的前20个卷积层进行了预训练，预训练的时候卷积层后面接的是平均池化层和全连接层。网路使用Leaky ReLu（0.1x）作为激活函数；使用darknet框架进行训练；learning-rate的设置：第一个epoch从$10^{-3}$缓慢升到$10^{-2}$，然后使用$10^{-2}$训练75个epoch,然后用$10^{-3}$训练30个epoch，$10^{-4}$训练30个epoch。Batch size 设置为64；使用momentum优化函数，参数设置为0.9；weight decay权重为0.005；

损失函数： 坐标损失[x,y,w,h] + 目标信心(confidence)损失[C] + 类别损失[p]

L o s s ( x , y , w , h , C , p ) = λ c o o r d ∑ i = 0 s 2 ∑ j = 0 B 1 i j o b j [ ( x i j − x ^ i j ) 2 − ( y i j − y ^ i j ) 2 ] + λ c o o r d ∑ i = 0 s 2 ∑ j = 0 B 1 i j o b j [ ( w i j − w ^ i j ) 2 − ( h i j − h ^ i j ) 2 ] + ∑ i = 0 s 2 ∑ j = 0 B 1 i j o b j ( C i j − C ^ i j ) 2 + λ n o o b j ∑ i = 0 s 2 ∑ j = 0 B 1 i j n o o b j ( C i j − C ^ i j ) 2 + ∑ i = 0 s 2 1 i o b j ∑ c ∈ c l a s s ( p i ( c ) − p ^ i ( c )