YOLOv1论文解读

YOLOv1论文解读

论文原文地址：

https://arxiv.org/pdf/1506.02640.pdf

论文的一个tensorflow实现版本：

https://github.com/gliese581gg/YOLO_tensorflow

一、摘要

YOLO的英文是（you only look once），之所以这样命名是相对于之前的物体检测方法提出的，YOLO是整个系列初始版本，后续改进版本用v加一个数字表示版本号，本文使用的YOLO即是YOLOv1。在YOLO以前，物体检测方法主要是通过region proposal方法来产生大量可能包含待检测物体的潜在BBox（ bounding box），再通过训练好的分类器去判断每个BBox里面是否包含有物体，并给出物体的种类的概率（probability）和置信度（confidence）。YOLO的提出具有划时代意义，检测的方法发生了根本性的变化（相对于Fast R-CNN）。YOLO将目标检测任务看作回归（regression）问题，仅用单个神经网络来完成上述任务。作者还在文章中提到因为整个过程都在一个神经网络中进行，因此方便进行端到端的性能优化。

优势

1. YOLO更快。相比于R-CNN、Fast R-CNN 以及Faster R-CNN等来说，YOLO在保持高mAP的同时检测速度仍然遥遥领先。

2. YOLO能更好的避免图片背景错误。之前提出的大部分方法使用的region proposal使其分类器只能得到图像的部分信息。而YOLO是以整张图像为输入，因此能够利用一张图像的全部信息进行决策，从而减少背景预测出错。作者同Fast R-CNN进行比较，得出YOLO的背景错误不到Fast R-CNN的一半。
   
3. YOLO的泛化性能更加强大。作者发现在自然图像上进行训练，在一些艺术风格的图像上进行测试时，YOLO仍然表现出更烈的泛化性。例如下图时作者在CVPR2016做论文讲解时进行的示例：
   

不足

1. YOLO的检测精度低于一些最新的目标检测模型。
2. YOLO容易产生物体的定位错误。（19.0%的定位错误相比于Fast R-CNN的8.6%高出不少）
3. YOLO对小物体的检测效果不好。
   

二、算法原理

可以根据作者给出的示例图片总结出如下三步：

1、分格

首先，图像会被分为S x S个格子，各个格子分别大小相同，分别拥有原图的一部分。

2、检测

包含Ground truth（GT,即正确标记的数据）物体中心的格子负责检测相应的物体。这一步中需要改变输入图像的大小并送入卷积神经网络中，通过非极大值抑制（Non-max suppression）获取预测结果.

3、结果表示

每一个格子都会给出B个检测框及其置信度，以及C个类别的概率，因此整个模型的输出为S x S x (5 x B +C)。作者的模型是基于VOC数据集进行的，在该数据集上，作者将原始图像分为7 x 7共49个格子，每个格子给出两个BBox，每个BBox由一个向量表示为[x,y,w,h,c]，分别是目标物体中心点（x,y），BBox的宽高（w,h）以及c（confidence）为预测的BBox和GT box的IOU值。同时该数据集由20个分类（包括狗、自行车等），因此对于VOC数据集训练的YOLO模型而言，该模型输出的为7 x 7 x (5 x 2+20)=1470维的一个向量结果。通过设置IOU与阈值，过滤掉低分的BBox来决定是否将预测出的物体标注在图上。

三、模型结构

模型的搭建借鉴了GoogleNet，但是通过使用1 x 1卷积层来整合多个颜色通道的信息和3 x 3卷积来进行特征提取来替代inception module。

损失函数

目标检测的任务，就是要找准目标的位置，准确标出目标的宽高，正确给出目标的分类。因此，损失函数的应该为优化上述三个目标进行服务：

红色框线内即对坐标预测的损失函数部分，用于判断第i个格子的第j个BBox是否负责目标的检测。绿色框线部分表示BBox含有目标的置信度。绿色框线表示BBox不含目标的置信度的预测。紫色框线部分为该格子对应的所属类别的概率。
其中出现的${\lambda }_{coord}$与${\lambda }_{noobj}$用于调节权重。在作者的训练中希望有目标的BBox比没有目标的BBox拥有更大的权重。

四、结语

目前最新的YOLO已经有v4版本，在v2与v3版本中都对v1版本进行了改进。其中作者自己提出的现有的模型弊端有：图片的输入尺寸固定以及对小目标检测效果差等。
最主要的缺陷还是当同一个格子之中包含了多个物体时，仅仅能给出其中一个IOU最高的结果而抛弃其它的，改进方法将在后面的版本中进行讨论。

参考文献

  [1]: https://arxiv.org/pdf/1506.02640.pdf
  [2]: https://arxiv.org/pdf/1612.08242v1.pdf
  [3]: https://blog.csdn.net/hrsstudy/article/details/70305791
  [4]: https://www.bilibili.com/video/BV12x411a7Di
  [5]: https://github.com/gliese581gg/YOLO_tensorflow