YOLOV1_《You Only Look Once: Unfied,Real-Time Object Detection》论文概读

YOLO概述   

YoLo与传统检测算法相比较有以下几个优点：

1.    YoLo运行特别快；
2.    YoLo是对整幅图像进行预测的，背景错误比较少；
3.    YoLo可以学到目标的广义特征，泛化性比较强；

具体的实现过程

        把输入图像分为s*s个grids，如果一个目标的中心在一个grid单元中，这个grid单元就表示识别该目标。每个grid预测B个目标框和每个目标框的confidence，confidence代表了所预测的box含有object的置信度和这个box预测的多准两重信息。如果没有目标存在单元格中，confidence就是0。每一个目标框包含5个预测值:x,y,w,h和confidence，还有包含目标的类别信息。

YoLo是一个回归的问题，把图片分成S*S的小格子，对于每一个grid预测B个目标框，这些目标框的估计值confidence和C个类别的概率。这些预测值被编码为S*S*(B*5+C)个tensor；

 模型结构

输入图像大小为448*448，经过若干个卷积层和池化层，变为7*7*1024张量(图中倒数第3个模块)，最后经过两层全连接层，输出张量维度为7*7*30.和一般的卷积物体分类网络没有太大区别，最大的区别是：分类网络最后的全连接层，一般连接于一个一维向量，向量的不同代表不同类别的概率，而这里输出向量是一个三维的张量(7*7*30),代表每个grid中的类别概率。这个模型结构受启发于GoogleNet.

在具体实现时，对于目标框的w和h用图像的宽和高进行归一化到0和1之间，对于目标框的坐标x和y归一化到距离格子点坐标的偏移值，归一化到0和1之间。

损失函数

和的作用就是让含有目标物的格点在损失函数中的权重大，让模型更加重视含有物体的格点所造成的损失。

表示在含有object的那些grid中该值为1，当不含有object时该值为0.

第二行中用根号是为了尽可能的消除大尺寸框与小尺寸框的差异。

第三行和第四行预测框的置信度C.当该grid不含物体时，该置信度的标签为0；若含有object时，该置信度为预测框与真实物体框的IOU数值。

第五行为物体的类别概率；

在损失函数计算中，只对真实物体最接近的框计算损失，其它框不进行修正，这样操作后，一个grid的两个框在尺寸上、长宽比、或者某些类别上逐渐有分工，总体召回率上升。

训练的规则

第一个epoch缓慢的把学习率由10e-3增加到10e-2，用10e-2的学习率训练75个epochs，用10e-3训练30个epochs，最后用10e-4训练30个epochs。为了防止过拟合用dropout和数据增强，

通常来说，在预测的时候，格点与格点并不会冲突，但是在预测一些大物体或者邻近物体时，会有多个格点预测了同一个物体，此时采用非极大抑制技巧可以过滤掉一些重叠的矩形框。yolo也有其应用个限制，对于小的目标并且成群出现的例如成群的鸟儿识别效果有限。