YOLO算法学习记录（1）

现今，基于深度学习的目标检测的算法主要有 R-CNN系列、SSD 和 YOLO 等。

YOLO 目标检测法，即 you only look once (YOLO) at an image，是一种基于深度学习的目标检测算法。YOLO 是第一个采用了回归思想实现 one-stage 检测的算法，如今它已经发展到 YOLOv3，检测能力已大大好于第一代的 YOLO。相比作为后辈的 SSD 算法，性能也得以超越。
以下以每代YOLO发展为主线，进行学习：

YOLO

YOLO虽然会产生更多的局部错误，但是它不容易将主体和背景混淆，而且由于损失函数贯穿整个检测网络,其还可以根据检测性能直接进行端到端（end-to-end）的优化。

YOLO 首先将输入图片统一调整成 448×448 像素，然后再将图像划分为 S×S 的网格。如果检测对象的中心落入网格单元格（grid cell）中，则该网格单元格负责检测该对象。每个网格单元格对其中的包络框(bounding boxes)进行评分，用以预测网格单元格中存在检测物的可能性。如果预测值为 0， 则代表网格单元格中不存在检测物。

YOLO 的每个网格单元格都可以提供复数的包络框，但是一个包络框只选择得分最高、最有可能性的物体进行预测。由于每个网格单元格只能进行局部预测，因此它可以避免同时落于几个有良好置信度的单元格之间，但是却不是所需要抓取事物的问题。

由于 YOLO 将检测作为回归问题来处理，不需要复杂的模型。如图 所示的 YOLO 网络结构就是基于 GoogleNet 模型，其网络有 24 个卷积层，然后是 2 个完全连接层。

最后YOLO 输出一个S×S×(5×B+C)的张量， 当使用 PASCAL VOC 时，一般为 7×7×30。其中S 为最开始将图像划分网格的行列数，5 代表YOLO使用的 5 个参数（x,y,w,h,confidence），B 为每个网格单元格中设置的包络框(bounding boxes)的数量，C 为能够识别的前景种类的数量。

YOLOv2

YOLOv2 相对于第一代YOLO，最大的改变是进行了标准化操作。通过给所有卷积层添加批量标准化（Batch Normalization），不仅使模型标准化，同时还抛弃了更多的冗余信息，显著地提高了收敛特性。

YOLOv2 首先使用完整的 448×448 分辨率对图像进行训练。这使网络有时间调整其滤波器，以便在更高分辨率的输入上更好地工作。其在检测学习时，直接使用卷积特征提取器上的完全连接层来预测包络框的坐标，而不像 Faster R-CNNR-CNN 需要手工来提取包络框。

YOLO9000

由于其可同时检测多达 9418 个类别，所以就被命名为 YOLO9000。

YOLO9000 构建了自己的 WordTree 来对图像定义进行分类，包含了 ImageNet 和 COCO。其概念借鉴于 WordNet，一种在知识图谱中应用广泛的语义网络数据库，可以指明各个名词，实体之间的上下级关系。如果有一个图片的标签拥有上层概念，那么通过 WordTree，这个图片就会同时获得这个上层概念的标签，总之现在一张图片是多标记的，标记之间不需要相互独立。
这种方法的好处： 在对物体进行分类时，如果已经确定为上层概念的物体，但是无法确定是否为其下某个下层概念的物体时，直接使用上层概念，而不使用下层概念。

YOLOv3

在网络结构上，YOLOv2 取消了第一代 YOLO 所有的全连接层，而 YOLOv3 比 YOLOv2 更进一步，将卷积神经网络里面最常见的池化层全部取消掉了，而原先池化层用来缩小特征尺寸的功能改由通过增加原卷积核的步长来实现。这一改进可以算是卷积神经网络中最能提升速度的做法，不仅使得 YOLOv3 的运算速度更快，还可以将节省的运算性能应用到更多实用的操作上。

比如将网络深度增加到了 53 层；还比如 YOLOv3 另一个重要的改进是可以同时输出 3 个不同尺寸的特征图，分别为 13×13，26×26 和 52×52，如图 3 所示。这样就使得 YOLOv3 相对于前面几个版本，更能对小目标进行检测，但是也弱化了其对大物体的检测能力。最后YOLOv3 不再使用Softmax 对每个框进行分类，而改用多个独立的 logistic 分类器代替，而logistic 只对获取到的锚框中拥有目标可能性得分最高的那一个进行操作。

在图像检测领域，YOLO 算法已经成为最为广泛使用的检测算法之一。其有着较高的检测精度和检测速度，能够满足实时性的要求。
明天继续学习，继续更新。