YOLO_v1论文详解You Only Look Once,Unified, Real-Time Object Detection

目录

一、概览

1.1 贡献点

1.2 背景

双阶段

单阶段

二、方法

2.1 Unified detection

2.2 网络结构设计

2.3 缺点

三、实验

3.1 模型性能对比

3.2 错误样本分析

3.3 YOLO与fast-RCNN的boost

3.4 实时检测模型对比

四、结论及个人评价

---

相关内容：

深度学习目标检测2013-2018模型总结概览及详解

一、概览

1.1 贡献点

• 将目标检测的定位问题转化为回归问题
• 将目标检测实现为单个网络，端到端实现（单阶段目标检测模型）
• 帧率快，达到实时帧率。YOLO达到45fps，fast YOLO达到155fps
• 与SOTA（state of the art）模型相比，YOLO有更大的定位误差，但是有更少的伪正样本。
• 比DPM或者R-CNN学出更具general的representations。

1.2 背景

深度学习目标检测2013-2018单双阶段主流模型概览及详解：

https://blog.csdn.net/weixin_36474809/article/details/84172579

目标检测模型旨在从图片中定位出目标。分为单阶段目标检测模型和双阶段目标检测模型。

双阶段

一个阶段提出备选框，一个阶段对备选框进行判断。是一个两阶段级联的网络。主要为RCNN系列的网络。

•     RCNN
•     SPPNet(Spatial Pyramid Pooling)
•     Fast RCNN
•     Faster RCNN
•     RFCN(Region based Fully ConvNet)
•     Mask RCNN
•     Light Head RCNN

单阶段

单阶段的网络，整个生成备选框的过程一体化的实现。代表有YOLO系列和SSD（single shot detector）

•     DetectorNet
•     OverFeat
•     YOLO
•     YOLOv2 and YOLO9000
•     SSD(Single Shot Detector)

二、方法

2.1 Unified detection

之前的双阶段模型，如RCNN系列，将模型分为两部分，一部分给出备选框，另一部分进行备选框的预测。而YOLO将图片作为一个整体进行预测。

分格：

• YOLO将输入图片分为S*S个方格，如果目标检测的物体Object存在于方格之中，则方格负责对物体做出预测。
• 每个方格预测出B个备选框，备选框带有置信概率（confidence scores），注意此置信概率是有目标物体的置信概率，不是类别的置信概率
• 置信概率（confidence scores）定义为Pr(Object)*IOU, 即分类的物体的置信概率与标定框和网络预测框的IOU交并比。
• 每个bounding box的预测包括五个量。x,y中心点的坐标，w,h宽和高，confidence置信概率
• 每个grid预测得出C个条件概率的标签Pr(Class_i | Object)
• 测试阶段, 用条件概率算出每个格子的概率。 Pr(Class_i | Object)*Pr(Object)*IOU=Pr(Class_i)*IOU

最终，每个S*S的方格预测得出B个备选框（包含5个坐标，x,y,w,h,confidence），同时，每个方格预测得到每个C类的置信概率。最终，网络预测输出一个张量 S*S*(B*5+C). 例如在PASCAL VOC数据集上，作者采用了S=7，也就是7×7个方格，B=2，每个方格负责预测得到2个备选框，同时，因为网络是20个分类标签，是C=20，所以最终预测的张量是：S*S*(B*5+C)=7×7×（2×5+20）

2.2 网络结构设计

采用卷积神经网络的结构，卷积层提取特征，最终全连接层进行张量的预测，张量包含概率和坐标。沿用GoogLeNet的结构。用1×1的reduction layer后面跟3×3的卷积layer。

预测框被归一化为0-1之间。

激活函数：Leakey ReLU

Loss函数：

由两部分构成，定位误差与分类误差。localization error与classification error, 定位误差相对于分类误差更重要一些，因此将定位误差的系数 λ_coord设为5，分类误差的系数 λ_noobj设为0.5

• 平方误差与平方根误差：定位时候，平方误差对大目标更加敏感，但是大目标与小目标同等重要，因此，定位误差由两项组成，平方误差与平方根误差。
• 表示目标object出现在格子 i 中。所以当前格子需要对类别做出预测。，表示每个S*S的格子需要预测出正确的类别。
• 表示每个S*S生成的格子，生成了B个Boundingbox，这B个bounding box需要对目标做出预测。
• 目标误差与类别误差，目标误差表示B个bbox中每个出现目标。类别误差表示当前S×S的grid预测出现的类别。

2.3 缺点

小目标效果差，宽高比不规则物体效果差，IOU指标的不合理性

• 每个S×S的grid只预测得出一个类别，但是实际上每个grid可能有多个类别均在此grid之中。同时，对于小目标的检测效果较差。
• 因为对已有的数据集进行训练，当实际的备选框出现特殊的宽高比的时候（比如长条状），则检测效果就会变差。
• IOU标准的缺点，IOU是交并比，但是对于小物体，并集的面积偏小，会导致IOU偏大，因此IOU有一定的不合理性。

三、实验

在PASCAL VOC2007数据集上进行实验。并且与其他实时模型进行比较，并与双阶段模型，如R-CNN进行对比。

3.1 模型性能对比

对比相应的帧率和mAP，可以看出，实时模型中，YOLOmAP最高，且Fast YOLO速率最快。

3.2 错误样本分析

用IOU与分类作为评价标准，目标检测结果分为下列几类。

• Correct正确样本：分类正确且 IOU>0.5,
• Loc定位错误样本，分类正确且 0.1
• Sim相近样本：分类相近，且 IOU<0.1
• Other其他：分类错误，IOU>0.1
• Background背景:IOU<0.1 （贡献点中提到，YOLO可以检测出更少的background，从下面图中即可看出）

3.3 YOLO与fast-RCNN的boost

YOLO可以检测出更少的background，而fast-RCNN可以达到更高的mAP-71.8，因此，两个网络可以通过boosting的过程结合。

通过实验，YOLO对与提升RCNN的性能非常有帮助。在PASCAL2012的数据集上，YOLO与RCNN结合能够达到最高的mAP

3.4 实时检测模型对比

在三个数据集上进行对比，VOC2007，Picasso，People-art上。

 

 

四、结论及个人评价

将双阶段的目标检测模型改进为单阶段目标检测模型，非常具有开创性。并且将bounding box的坐标值预测为张量，将目标检测的定位实现为一个回归问题。

相关内容：

深度学习目标检测2013-2018模型总结概览及详解

目标检测网络mAP的测试的python实现

YOLOv3：Darknet代码解析（一）安装Darknet

YOLOv3：Darknet代码解析（二）代码初步

YOLOv3：Darknet代码解析（三）卷积操作

YOLOv3：Darknet代码解析（四）结构更改与训练

YOLOv3：Darknet代码解析（五）权重与特征存储

YOLOv3：Darknet代码解析（六）简化的程序与卷积拆分