YOLO v1

1. YOLO简述

        YOLO 来源于Facebook，整个训练和检测过程都是end-to-end的，能够达到实时的目标检测，YOLO v1能够达到每秒45帧的速度，Fast YOLO能够达到每秒155帧的速度，但是YOLO v1存在目标定位不准的问题。

2. 操作步骤

  整个检测过程共分为三个步骤进行：首先，将图像缩放至448×448；然后，通过单个卷积神经网络直接从图像中进行目标检测（bounding box）和分类（classification）；最后，通过NMS抑制输出最终结果。

 

  具体的实现步骤：首先将Image划分为S×S（S = 7）的格子（grid cell），如果某个目标的中心落入某个格子中，则该格子就负责检测该目标（如下图）。每个grid cell预测B个bounding boxes和C个分类，最终的输出为S×S×( B×5 + C )。每个bounding box是个5维的数据，分别是（x，y，w，h，confidence），其中x表示bounding box的中心横坐标，y表示bounding box的中心纵坐标，w表示bounding box的宽度，h表示bounding box的长度，confidence表示目标的置信值。置信值 = 该格子包含目标的类别概率P × IOU（bounding box的置信度 = truth / pred）。每个格子预测包含某一类目标的概率值，此时类别数C = 20，那么每个格子都要对20个类别的概率进行预测。置信值衡量了某类别i出现在某box中的概率，以及该box与目标i的吻合程度。

 

   在VOC上的训练中，YOLO V1包含24个卷积层，2个全连接层，其中S = 7，B = 2，C = 20，最终的输出为 7*7*( 2*5 + 20 )维的信息（类别概率和矩形框坐标，归一化到0-1）。

 

 

 

    相较于YOLO V1，Fast YOLO只包含9个卷积层，因此更快，但是精度有所损失。

3. 技术细节

损失函数 loss

      YOLO的损失函数，权衡了边界框的损失和类别判断的损失，使得边界框的损失是类别判断损失的10倍，同时兼顾了大的边界框和小的边界框的IOU偏差，使得同样的损失在大框中表现出很小的影响，小框中则变现出很大的影响。

 

最后一层的输出

      YOLO V1的前20层是卷积层，得到7*7*1024的feature map，然后接3*3的mean pooling，得到7*7*1024的pooling feature map，再接两个全连接层，得到7*7*30的输出。

      最后一层给出类别概率和矩形框坐标的预测，将坐标归一化到0-1之间。使用线性激活函数，leaky rectified线性激活函数:

  模型误差函数使用 sum-squared error。使用它主要是其优化简单，但是和我们的目标函数不是很匹配。为此我们加入了两个权值参数改善这个情况。

坐标的回归
这些回归的坐标数字，依据在哪里？ 

  其实回归的输入并不是这些预测的坐标数字，而是预测的坐标对应的feature map中的内容，这个内容与相对于ground truth进行对比，计算，是回归的根本依据。通过不断的训练，得到了回归的参数，在预测时，网络产生了图像的feature map，对于任意一个预测框，背后对应了一个feature 区域，将学习到的参数与此feature区域进行运算，就会得到调整预测框的参数了。因为同类物体的特征应当相似。

训练过程中的回归是如何进行的呢？ 

  基本的逻辑就是对坐标+iou误差、分类误差进行修正。 在训练的时候，每个样本的ground truth的box是知道的，对应于图片的feature map，也能找到在feature map中对应的box位置（box由多个grid cell组合而成）。如果一个grid cell是该物体的中心位置，则这个grid cell负责预测这个物体;每个grid cell都预测了若干个bounding box（假设S = 7，B = 2，则bounding box的数目 = 7×7×2 = 98个），其中会有一个bounding box具有与ground truth的某个box有最大的IOU，则由这个bounding box负责调整box的位置（另外的97个bounding box就忽略了）。

  可以想象，一开始的时候，权重是随机的，面对抽象出来的图像的feature map，其预测的bounding box、confidence、物体类别的条件概率都是随机的，经过了loss函数进行惩罚与优化，使得预测行为越来越好。取极端情况为例子加深理解：总是用同一张图片做训练，每次得到的图像的feature map都是一样的。一开始的时候，权重随机，权重与某个grid cell的运算的结果是随机，即每个grid cell对应的5*b+C的数据是随机的。网络对此情况进行优化，指导权重向某个方向优化。第二次看到还是一样的feature map，新的权重与某个grid cell对应的数据进行计算，就会得到更好的box位置和confidence，物体类别的信息。如此反复进行，直到权重参数调整到这样的情况，面对同样的grid cell，其计算出来的box的信息完全与ground box的位置符合，confidence=1，正确类别的条件概率为1。

问题： 

  可以看到修正box的时候，是针对训练的时候，权重与训练图片中的feature map的相应部分进行运算来进行调整的，即：如果在实际应用中，有一个物体，其与训练的图片中的物体很像，那么可以进行好的预测，如果是以一个没有见过的角度去看，那么由于训练时没有对这个角度的feature进行计算与优化，就不会预测好，这与20类物体之外的第21类物体的预测一样。所以，增加训练的样本的多角度很有必要。

  同时一个grid cell虽然预测若干个bounding box（实际预测2个bounding box），但只会由那个与ground truth的某物体的box有最大交集的bounding box来负责预测这个grid cell的情况，那么对于比较密集挨在一起物体的情况就会不能预测的现象出现：两只鸟靠的很近，它们的两个ground truth的box，都与某个grid cell有最大的IOU，与其他的grid cell都没有相交，但因为这里有两只鸟，所以，这个grid cell预测的若干个bounding box中，总会与两只鸟分别对应的两个ground truth的box的其中一个有更大的IOU值，就会选到这个较大值IOU的bounding box，负责预测其中的一只鸟，对于另一只鸟，就会忽略。而由于鸟比较小，与其他的grid cell也没有相交，所以这另外的鸟就给忽略掉了，检测就会检测不出来。

4. 总结

YOLO V1的优势：

   将检测变成一个回归问题，不需要复杂的流程。在测试阶段，只需要对测试图像跑一遍神经网络，就可以得到预测结果。该基准网络可以在 Titan X GPU 不经过批处理下得到每秒45帧的处理速度。Fast YOLO可以得到每秒 150 帧。在实时检测系统中，YOLO的效果是最好的。

         YOLO 在做出预测时是推理整个图像的。与滑动窗口和候选区域算法不同， YOLO 在训练和测试时，从整个图像综合考虑，不仅分析物体的 appearance 还分析contextual 信息。Fast R-CNN 比较容易将背景误检测为物体，因为它不考虑 contextual 信息。YOLO 把背景误检测为物体的概率不到 Fast R-CNN 的一半.

         YOLO 对物体的泛化能力比较好。当在自然图像上训练，在艺术图像上检测时，YOLO的效果要比 DPM 和 R-CNN 好很多。

YOLO V1的缺陷：

         YOLO对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。

   测试图像中，当同一类物体出现的不常见的长宽比和其他情况时泛化能力偏弱。由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其对于小体积物体的处理上，有待加强。