深度学习系列之YOLO 个人总结

YOLO这个模型虽然我不会拿来用，但YOLO2还是不错的。所以还是把YOLO做个简单的了解吧。
注意：这并不是详解！

1. Introduction

YOLO相对于基于Region proposal的模型来说，不同之处在于直接在图像上做检测和分类。因为region proposal比较费时间，无法做到real-time。所以YOLO把这个给砍掉了。当然，YOLO这种方法虽然保证了实时速度很快，但精度做了很大的牺牲。

基本流程为：
1.resize image to 448 x 448，输入到网络中。(YOLO要求图像是方形，因为最后是利用7 x 7的张量来表示分类值和位置值等)
2.运行卷积神经网络，输出 7x7x30的张量。每一个格网表示2个bbox的预测值。没错，YOLO中，总共只输出98个bbox，是不是很吃鸡。
3.非极大值抑制。虽然bbox少，但也是有重叠的情况，所以要pass掉分数低的。
具体的解释看下面。

2.YOLO

YOLO在input image前，将image划分成7 x 7的格网。
引用一下参考文献[1]中的图。

如果一个物体的中心落在某个格网内，则这个格网负责检测这个物体。
物体的中心怎么知道在哪呢？笔者认为训练时可以通过GT获取。(当然，测试时是没有的)
如图，dog的中心在(5,2)这个位置，这个位置就负责dog的训练。
测试时，是由每个格网生成2个bbox，一共98个bbox，进行回归的。

这幅图对YOLO的检测模式有一个比较形象的表示。YOLO的输出为一个7x7x30的张量。其中输出值中，每个格网1x30，表示image上对应格网的bbox值。
前5个值，表示第一个bbox的变量：
(1) x,y：表示bbox的中心在当前格网的位置相对于格网尺寸的比例
(2) w,h: 表示bbox的宽和高相对整幅图像的比例
(3) confidence: 置信度，反映bbox是否包含object，以及bbox位置预测有多准。其实也就是IoU，反映的是位置预测的准不准。
后5个值，表示第二个bbox的变量。

confidence的计算公式：Pr表示包含object的概率，包含则为1，不包含则为0. IoU表示如果包含object，则bbox与GT的IoU。

最后20个值，表示 VOC数据集中20个类每类的score。即每个格网只给出一组打分值，尽管有2个bbox。
score = Pr(class|object),因为有20类，所以有20个值。

测试阶段，将这些评价值相乘，进行综合评价，主要体现在位置预测的准不准和类别分的准不准。

YOLO模型框架

根据GoogleNet修改，24个卷积层，2个FC层。(注意: yolo v1是有全连接层的，最后的7x7x30是由1470个神经元转化成的)

至于训练以及损失函数，就不细说了。

3.评价

YOLO它的思想主要是利用输出的7 x 7的张量来表示image上7 x 7的格网的检测情况。每个格网都有两个anchor可以预测+1组分类。
这样的弊端就是：召回率太低，容易找不全。因为如果两个物体落入一个image格网，YOLO只会给出一个预测(格网中的2个anchor只预测一类)。对小物体的检测自然而然就比较渣了。
另外定位误差大(只有2个anchor，很难将object的位置准确确定)。这样它的平均精度也会比较低。

优点就是：没有了region proposal，比较快。(ssd也是把RPN给砍掉了，所以快)。同时一幅图只有98个anchor，也是提高了速度。(但这是牺牲了召回率为代价的)

4.参考文献：

1.https://blog.csdn.net/hrsstudy/article/details/70305791