（YOLO v1）You Only Look Once: Unified, Real-Time Object Detection论文阅读笔记

（YOLO）You Only Look Once: Unified, Real-Time Object Detection论文阅读笔记2016

Abstract

我们提出了一种新的目标检测方法：YOLO。之前目标检测上的一些工作使用分类器来进行检测，而我们把目标检测任务当作一个对空间上分开的bbox和其对应的class概率的回归问题。只使用一个神经网络来直接一次对整张图像预测bbox和它的class概率。

我们的方法特别快，基础的YOLO模型可以实时处理图像达到45帧每秒。更轻小的模型，Fast YOLO，可以达到155 fps，同时还可以取得其他实时方法的两倍的mAP。与其他的SOTA检测方法相比，YOLO虽然有更多的定位误差，但是对于背景有更少的假阳性，并且可以学习到目标的非常general的特征表示。且当进行迁移学习（从自然图像转换到其他domain）时，效果较好。

1. Introduction

人类只需要看一下图像就可以立即直到图像中有什么目标以及位置。目前的检测系统使用分类器来进行检测。为了检测到目标，系统使用分类器对图像多个位置和尺度进行检测分类。R-CNN使用区域proposal方法生成bbox然后使用分类器对这些bbox进行分类，后续处理对bbox进行回归，消除重复的检测结果，最后输出结果。这个过程很复杂，优化起来比较难。

我们把目标检测当作一个回归问题，直接从图像像素出发来得到bbox坐标以及class probabilities。我们的方法，只需要看一次图像，因此叫做YOLO。

YOLO十分简单，如图1所示。一个卷积网络同时预测多个bbox以及它们的class概率。YOLO在整张图像上进行训练，直接优化检测表现，相比传统方法有以下几个优点。

• 首先，YOLO非常快，因为我们没有使用复杂的pipeline。基础的YOLO模型可以实时处理图像达到45帧每秒。更轻小的模型，Fast YOLO，可以达到155 fps，同时还可以取得其他实时方法的两倍的mAP。
• 其次，在预测时候，YOLO是全局地对图像进行预测的。与其他滑窗或region-baesd的方法，YOLO可以“看到”整张图像，所以包含了contextual information。Fast R-CNN因为无法看到更大的context，会把背景块当作目标，YOLO减少了近一半这种假阳性。
• 第三，**YOLO学到目标的更generalizable（更概括）的表示。**当迁移学习到其他domain时，效果更好。

YOLO在准确率上落后与SOTA，对小目标效果较差，然而它可以快速找到图像中的目标。

2. Unified Detection

我们把目标检测的几个分离部分整合到了一起，我们的网络使用来自整张图像的特征预测每个bbox，同时也预测所有class的bbox。这意味着我们的网络是对整张图像全局预测的，考虑到了图像中的所有目标。

我们网络将输入图像分成S * S个网格，如果目标的中心落在某个网格中，这个网格就负责检测这个目标。

每个网格cell预测B个bbox以及这些bbox的置信度。置信度反映了模型对这个box含有目标的信心以及它认为它预测的这个box有多准确。

我们将置信度定义为：
$$P$$