You Look Only Once——YOLO v1

YOLO-v1：you look only once

简介

YOLO（you look only once）是CVPR2016的一篇文章，广泛运用于工业界，yolo的优点不在于精度，而在于速度。

• 与RCNN系的对比

RCNN系：two-stage。先找到Region Proposal，然后分类或回归。准确度高但速度慢。

YOLO系：one-stage。只使用一个CNN网络直接预测不同目标的位置和类别。速度更快但准确率稍低。

• YOLO的主要特点

1. 速度快
2. 使用全图，背景错误比较少
3. 泛化能力强

• YOLO的核心思想

用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

名词解释

• mAP: mean Average Precision, 即各类别AP的平均值
  • AP: PR曲线下面积
  • PR曲线: Precision-Recall曲线
  • Precision: TP / (TP + FP)
  • Recall: TP / (TP + FN)
  • TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）
  • FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量
  • FN: 没有检测到的GT的数量

原理分析

training

相较于RCNN来说，YOLO是一个同一的框架，速度更快，是end-to-end的。

• 大致流程

1. 将图片resize到488*488
2. 送入CNN网络
3. 非极大值抑制去重

• 具体分析

yolo首先将图像分割成S*S个grid（默认为7），对每个grid预测B个bounding box和confidence（默认为2），其中

$$confidence=Pr(Object)\ast IO{U}_{pred}^{truth}$$

$$Pr(Object)=\{\begin{array}{ll}0& \text{,grid中不存在物体}\\ 1& \text{,grid中存在物体}\end{array}$$

由上述两个公式我们可以看出，存在物体时confidence为IOU值，否则为0。bounding box的表示与RCNN一致。

同时每个grid预测C个类别的概率，训练时产生S*S*(B*5+C)个参数的张量。

网络结构

网络结构参考GooleNet，都使用了1*1的卷积核压缩信息，构造非线性的特征。但是并未使用Inception Module。

• 预训练

在ImageNet上预训练，尺寸为224*224，然后放大为448*448。

• 激活函数

最后一层的激活函数时线性激活函数，其它层则使用leaky ReLU：

$$\varphi (x)=\{\begin{array}{ll}x& \text{,x>0}\\ 0.1x& \text{,otherwise}\end{array}$$

• 损失函数

传统的均方误差在这里效果并不好：

1. bbox的维度和class预测向量的维度不同，显然不应该平权。
2. 对于背景box，confidence为0，这会导致网络不稳定，甚至发散。

论文采用的方法是加权处理，即对bbox和confidence施加不同的权重。

1. bbox预测赋予${\lambda }_{coord}=5$
2. 对于背景box，confidence的损失为${\lambda }_{noobj}=0.5$
3. 有object的box，loss weight=1。

这里仍然有一个问题：尺寸小的bbox的偏移误差相对于尺寸大的bbox的偏移误差来说更难以接受。

这里作者用了一个比较巧妙的方法，将bbox的width和height取平方根，代替原本的width和height。使得发生相同偏移时，尺寸小的bbox反应大。

注：x,y,w,h均已经过归一化处理。

test time

在测试时将confidence和类别概率相乘，即$$Pr(Clas{s}_i|Object)\ast Pr(Object)\ast IO{U}_{pred}^{truth}=Pr(Clas{s}_i)\ast IO{U}_{pred}^{truth}$$

得到的结果（class-specific confidence）既表征出class的概率，又体现出bbox的准确度。

对得到的分数设置阈值进行过滤，然后执行NMS处理，得到最终检测结果。

reference:

【深度学习YOLO V1】深刻解读YOLO V1（图解）

yoloV1，看过好多篇，这篇感觉讲的最通俗易懂