算法原理-YOLO v1

一、Yolo v1介绍

如R-CNN,Fast-R-CNN,Faster-R-CNN等方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，。

YOLO不同于这些物体检测方法，它将物体检测任务当做一个regression问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体的probabilities。因为YOLO的物体检测流程是在一个神经网络里完成的，所以可以end to end来优化物体检测性能。

YOLO将输入图像划分为S*S的栅格，每个栅格负责检测中心落在该栅格中的物体。

每一个栅格预测B个bounding boxes的位置（x,y,w,h），以及这些bounding boxes的confidence scores （confidence scores反映了模型对于这个栅格的预测：该栅格是否含有物体，以及这个box的坐标预测的有多准）

如果bounding box中心落在物体上时，则confidence score则为 predicted bounding box与 ground truth box之间的 IOU。（训练时2个bounding box的IOU，哪个比较大（更接近对象实际的bounding box），就由哪个bounding box来负责预测该对象是否存在，同时对象真实bounding box的位置也就填入该bounding box。另一个不负责预测的bounding box的confidence=0）。

每一个栅格还要预测C个 conditional class probability（条件类别概率）Pr(Classi|Object)。即在一个栅格包含一个Object的前提下，它属于某个类的概率。

最后一层输出为 （7*7）*（5*2+20）的维度。每个 1*1*30的维度对应原图7*7个cell中的一个，1*1*30中含有类别预测和bbox坐标预测。

二、训练与损失函数

损失函数的设计目标就是让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。

三、预测（inference）

训练好的YOLO，输入一张图片，将输出一个 7*7*30 的张量（tensor）来表示图片中所有网格包含的对象（概率），该对象可能的2个位置（bounding box）和可信程度（置信度）。

在测试阶段，将每个栅格的conditional class probabilities与每个 bounding box的 confidence相乘，得到每个bounding box的class-specific confidence score：

即：  Score_{ij} = P(C_i|Object) * Confidence_j

每个网格有：20个对象的概率*2个bounding box的置信度，共40个得分（候选对象）。49个网格共1960个得分。

为了从中提取出最有可能的那些对象和位置，YOLO采用NMS（非极大值抑制）算法，每种对象分别进行NMS，那么每种对象有 1960/20=98 个得分。

NMS（非极大值抑制）

NMS方法核心思想是：选择得分最高的作为输出，与该输出重叠的去掉，不断重复这一过程直到所有备选处理完。

NMS步骤：

1）设置一个Score的阈值，低于该阈值的候选对象排除掉（将该Score设为0）

2）遍历每一个对象类别

2.1）遍历该对象的98个得分

2.1.1）找到Score最大的那个对象及其bounding box，添加到输出列表

2.1.2）对每个Score不为0的候选对象，计算其与上面2.1.1输出对象的bounding box的IOU

2.1.3）根据预先设置的IOU阈值，所有高于该阈值（重叠度较高）的候选对象排除掉（将Score设为0）

2.1.4）如果所有bounding box要么在输出列表中，要么Score=0，则该对象类别的NMS完成，返回步骤2处理下一种对象

3）输出列表即为预测的对象