【YOLO系列】YOLO v1~v3论文阅读笔记

0. 前言

YOLO v1~v3都是由YOLO之父Joseph Redmon大神提出，YOLO v1首次将检测问题制定为回归问题，在此之前都是采用分类的方式来解决目标检测问题（例如RCNN系列），YOLO v1的最大优势就是速度快；v2在v1的基础上针对检测精度进行改进，v3结合当时一些新颖的技术对v2做了一些重要的改进，被作者谦虚地戏称为TECH REPORT。

1. [YOLO v1] You Only Look Once:Unified, Real-Time Object Detection

1.1 亮点

• 将目标检测定义为回归问题。输入一张完整图像，单个网络直接预测出边界框和类别概率
• 速度快。base yolo 45fps，fast yolo 155fps
• 背景误检率低。因为能够结合上下文信息做预测
• 学习的是泛化表示，能够从自然图像推广到其他领域

1.2 算法细节

1.2.1 如何将目标检测转换为回归问题？

在yolo v1提出之前，RCNN系列的检测步骤大体为：“生成候选区域–>特征提取–>分类器判断类别–>非极大值抑制筛选–>边界框位置精修”，步骤比较繁琐，相应的推理速度也比较慢。YOLO v1开创性地使用单个神经网络直接预测边界框和物体类别，整体流程只包含“图像resize–>神经网络预测–>非极大值抑制”三个步骤，检测速度极快。

将目标检测指定为回归问题的主要思想如下图所示：

简单点说，就是将输入图像划分为$S\times S$个网格，如果物体的中心落在某个网格内，那么这个网格就负责检测该物体。每个网格预测B个边界框和一个类别概率，其中每个边界框预测x,y,w,h,confidence共5项，因此最终的预测为size为$S\times S\times (B\ast 5+C)$的tensor。

1.2.2 网络结构

YOLO v1所使用的网络结构如下，输入图像尺寸为448×448，经过一系列卷积层、池化层和全连接层后得到4096的特