YOLO系列（一）—— You Only Look Once:Unified, Real-Time Object Detection

本系列分为三篇，此文为本系列第二篇，其他文章：
YOLO系列（一）—— You Only Look Once:Unified, Real-Time Object Detection
YOLO系列（二）—— YOLO9000:Better, Faster, Stronger

project: https://pjreddie.com/darknet/yolo/
paper: You Only Look Once:Unified, Real-Time Object Detection

个人认为YOLO最大的特点是在目标检测任务中实现了end-to-end的网络结构，不需要复杂的pipeline，实现了速度上的提升。
大体的检测过程如下图所示：

将图像分割成S×S的网格，每个网格负责检测中心点落在该网格下的物体。

首先来看一下网络的整体结构：

该网络包括24个卷积层2个全连接层以及5个池化层。

解释一下网络输出的7×7×30维的向量：7×7代表将输入划分为7×7的小格，30包括voc数据集包含的20种物体种类，以及每个grid预测两个bounding box，每个bounding box包含5维的宽高位置以及置信度信息，一共是30维（宽高是相对于整张图片宽高，位置是和grid cell的相对距离，置信度是IOU）。
由网络结构我们可以得到一些信息：
1）由最后的全连接层可知，每一个grid的预测都可以用到输入图像的所有信息，而不是只可以用到grid附近的图像
2）由于包含全连接层，输入图像的尺寸不可改变，必须是448×448

还有一个比较重要的部分就是损失函数的设计：

损失函数整体上是平方和误差，但在此基础上做了一些调整：
1）给不同的损失部分乘上不同的系数，其中 ${\lambda }_{coord}=5$，${\lambda }_{noobj}=0.5$
2）宽和高开平方
开平方是由于，对于相同的误差，其对小的box来说影响比大的box更大，开平方可以减小这种差别，但也不可以完全消除。

该模型的优点：
1）结构简单，检测速度快
2）每个box的检测都可以看到全局的信息，使背景误检率低
3）通用性强，对于艺术类作品中的物体检测同样适用（不太确定是什么原因造成的）

缺点：
1）由于包含全连接层，输入大小必须固定为448×448
2）在准确率上落后于state-of-the-art的模型，识别物体位置精准性差，召回率低，特别是对于小物体来说
造成上述缺点的原因：
1）每一个cell只可以预测一个物体，多个物体落在同一个cell时，只可以检测到一个物体
2）小物体localization error贡献的loss相对较少，虽然开平方有一定缓解效果
3）特征经过了32倍的下采样，特征不够精细，且没有多尺度特征
4）直接预测宽高，模型不够稳定
5）个人认为loss的各个系数还有调整的空间

对于上述缺点，YOLOv2中对其中的一些做了修改。

YOLO系列（二）—— YOLO9000:Better, Faster, Stronger