YOLO论文记之概述与实践

由于毕业论文方向选定为视频目标检测与跟踪，经过在paper池中查找，从rbg大神的R-CNN系列一直找到这篇最新的顶级paper，发现这篇论文的思路太棒了，而且该项目还自己写了一个开源的框架，论文的实验也开源了，故而准备以该研究为起点。(该部分属于自己瞎扯淡，大神可以直接忽略)
以下正式进入翻译阶段：

概述

我们提出一种叫YOLO新的目标检测方法。以前的目标检测的研究大多是改进分离器来进行检测。我们将目标检测的当做一种回归的问题来解决，通过空间的分割成边界框和相应类别的概率。我们采用单独的网络直接从整副图像来预测边界框和类别的概率。因为整个检测在一个网络内，所以它可以直接优化端到端的检测性能。（第一段大致这个意思，若有更准确的翻译，麻烦在下方回复，我会及时修改！）

感觉翻译论文有点麻烦，直接翻译大神的博客吧！哈哈！版权归属pj大神

YOLO是基于Pascal VOC2012数据集的目标检测系统。它能够检测到20种Pascal的目标类别，包括：

• 人
• 鸟，猫，牛，狗，马，羊
• 飞机，自行车，船，汽车，摩托车，火车
• 瓶子，椅子，桌子，盆栽植物，沙发，电视或者显示器

YOLO是大神们开发的！哈哈！paper

YOLO是怎样运行的？

以前的检测系统大多是改进分类器或者改进定位器来进行检测。它们都将模型应用多个定位点和尺度。图片中得分高的区域就认为是检测到物体。

大神们使用不同的方法。他们单独使用神经网络来检测整张图片。网络能够将图片划分为不同的区域，然后预测边界框和每个区域的概率。这些区域框是通过预测的概率值来权重的（这段翻译的有点拗口，欢迎大家拍砖！！！）。
这地方感觉有点难理解，我们来看看大神的论文吧！

论文中第二部分(Unified Dectection)中说到：我们的系统将输入的图片分成一个 S×S 网格。如果目标的中心在网格的单元内，所对应的网格单元负责检测对应的目标。每一个网格单元预测 B 边界框和这些边界的置信的分数。它们的置信的分数表征了该边界包含该目标的模型得分，同事也可以给出模型对该边界的预测值。其中置信分数是通过如下计算公式得到的：

Pr(Object)∗IOUtruthpred

如果某网格单元中没有目标，则它的置信分数为 0 ，我们想要置信得分等于联合的交集(Intersection Over Union,IOU)，该值是介于预测的框与真实的边框。
每一个边界框包括5各预测值： x,y,w,h,confidence .其中 (x,y) 坐标表示框的中心，w是边界框的宽，h是边界框的高，置信得分的预测表示IOU介于预测的边界与真实边界(有点不好理解，等我研究代码了，再回来修改该部分翻译吧！)
每个网格单元也预测C，类别的条件概率，即 Pr(Classi|Object) 。该概率值表示该网格单元包含某目标的可能性。同时这只预测每个网格单元某个类别集的概率，不考虑边界的数目.
在测试阶段，我们将类别的条件概率乘以某个边界置信的预测，

Pr(classi|Obejct)⋅Pr(Object)⋅IOUtruthpred=Pr(Classi)⋅IOUtruthpred

该公式告诉我们每个边界属于某个类别置信得分。

如上图所示,我们的系统将检测作为一个回归问题。它将图片划分为 S×S 的网格，对于每个网格单元预测边界框(B)、边界框的置信度以及类别概率(C)，因此这些预测值可以表示为 S×S×(B∗5+C) 的张量。

最后，我们可以设置一个检查的阈值，从而得到高得分的检查目标。

YOLO与以分类器为基础的系统有很多优势:

1. 在测试时，它是使用整张图片来预测的，故而能够考虑整个图片的信息。
2. 它使用唯一的网络来预测，而不像R-CNN使用上千个网络来预测一张图片。这样速度快了很多，比R-CNN快1000多倍，比Fast R-CNN快100多倍。

使用训练好的模型进行目标检测

1. 安装Darknet

git clone https://github.com/pjreddie/darknet.git  
cd darknet
make 

2. 下载已训练的模型权重文件

3. 运行yolo

./darknet yolo test cfg/yolo.cfg /yolo.weights 

注意：您也可以使用源码下的data目录中eagle.jpg、dog.jpg、person.jpg、horse.jpg。

多个图片进行检测

如下所示，您也可以不加指定的图片，从而可以检测多张图片。

./darknet yolo test cfg/yolo.cfg yolo.weights

使用更小的模型

原始的YOLO模型使用许多的GPU，如果你的图形显示卡比较小，您可以使用更小版本的YOLO模型，权重下载在此(359MB)，运行命令如下：

./darknet yolo test cfg/yolo-small.cfg yolo-small.weights

使用微型模型

同时有更小的模型，模型权重下载在此(172MB)，运行命令如下:

./darknet yolo test cfg/yolo-tiny.cfg yolo-tiny.weights

改变检测的阈值

YOLO默认只显示置信得分不小于0.2的检测目标。您可以使用-thresh 来改变。例如，您想显示所有的检测目标，可以使用如下命令：

./darknet yolo test cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0