YOLO V1(You Only Look Once: Unified, Real-Time Object Detection)深入理解

先推荐大家一篇文章：https://www.jianshu.com/p/cad68ca85e27 ，我觉得这位大佬写的通俗易懂，但是感觉不是很全，所以看了这篇文章之后我又去看了一下原文，特此记录。

目标检测领域中，目前（2016）的方法大都是检测出目标后再对其进行分类，这是一个检测分类问题。YOLO则将目标检测定义为一个回归问题：将整张图片输入一个神经网络，得出预测的边界框和相关类概率。

具体一点来说：
多数以R-CNN为代表的方法，先从图中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别，之后再精调边界框的位置。因为每个部分都需要独立训练，所以运行缓慢，且很难优化。这是典型的两步法存在的困难，而YOLO则直接从输入的图片到边界框的位置与其置信度，一次便直接确定了目标的位置与类别，这便是一步法的优势。

YOLO图像处理三步骤：

YOLO的优势

（相较于先前以R-CNN为代表的方法）

1. 快，基础网络可达45FPS（帧每秒）（在Titan X没有进行批处理时的表现），更快的版本达到了150FPS，
2. YOLO基于整张图片进行推理，能较好的利用上下文信息，减少模型由于背景干扰而错判的概率。
3. YOLO学习的是一个可概括性的表述，这有益于模型应用于其他领域。这也是为何现在YOLO在很多领域很火的原因之一。

具体方法：

首先将图片分为S X S个格子，物体的中心在那个格子，就定义该格子代表该物体。每个格子上都铺设了B个先验框（bounding box,后面简称BB），所以一共有S X S X B个BB，模型会给出每个BB的位置及其置信度。如图所示：

置信度反映了模型对于这个BB包含该目标的把握。计算方法是

每一个BB需要预测5个值，x, y, w, h, and confidence. （x, y）表示这个BB的中心位置, w, h表示BB的宽和高, 以及confidence。每个格子预测C种可能性，C为要分类的总数（YOLO为20种）。总计一下，即最后我们对于一个BB而言，需要预测的是5个值加上20种类别置信度，对一张图片的预测成了S X S X（B X 5+C）的张量。

网络架构：

受到GoogLeNet和inception的启发，网络由24层卷积和两个全连接层组合而成，3 X 3的卷积层后面跟了一个1 X 1的层以减少参数。如下图所示：

可以看到，网络输出是一个7 X 7 X 30维度的张量，对应S X S X（B X 5+C），即预先铺设的框数量S为7，每个点的先验框数量B为2. C为20.

训练细节：

训练时输入图片都分辨率更高（448 X 448），将最后得出的方框位置正则化（除以原本的宽和高），最后一层预测类别和BB，跟着一个线性激活函数，其余的网络层之后跟着leaky Relu，以增加网络非线性拟合能力。

对损失函数的修改：均方差损失将BB的定位损失和分类损失赋予同样的权重（即简单相加）。不合理之处在于很多BB的置信度为0（即有点BB中并未含有目标），这将导致模型训练时的不稳定性。为此，作者将BB的定位损失赋予了更高的权重，减少了置信度的权重（具体为10 ：1）。

作者还考虑到较大与较小的BB占有同样权重是不合理的，因为同样的误差对于较大的BB的影响明显比较小的要小，所以作者的预测目标是坐标的平方根。最终，每个BB最多只负责一个目标。

该式中：

前面两项为有目标的BB的位置误差，第三项为有目标的BB的置信度误差，第四项为不含目标的BB的置信度误差，最后一个为含有目标的BB的分类误差。

作者大概训练了135个epoch，batch size为64，动量为0.9，衰减率为0.0005。前面75个epoch的学习率为0.01，中间30个为0.001，最后30个为0.0001。为了避免过拟合作者使用了dropout及数据增强等。

YOLO的限制：

1. 每个BB只能预测一类目标，这边限制了我们预测目标类别的数量，以及对于小目标的不敏感。
2. 网络结构中含有多个下采样层，使得模型的特征相对粗糙。
3. 模型预先铺设的边界框使其对数据有很强的依赖性，很难将其推广到新的场景中。
4. 最后，应该对不同大小的BB设置不同的损失函数，作者目前是直接用一个相同的损失函数，虽然用平方根进行了抑制。

下一篇，YOLO V2/ 9000.