【目标检测】43、YOLOv1 | YOLO 系列开山之作

论文：You Only Look Once: Unified, Real-Time Object Detection

代码：https://pjreddie.com/darknet/yolo/

作者：Joseph Redmon

时间：2016.05

一、 背景

在 YOLO 提出之前，目标检测其实是按照分类的方法来重写了回归分支，来实现检测。并且需要复杂的后处理来得到最终的检测结果。这样会导致检测过程耗时长且复杂。

YOLOv1 提出将目标检测任务定义为单个回归问题，直接从输入图像上得到框的位置和类别。

YOLOv1 是 Joseph Redmon 提出来的，后面他又提出了改进版本 v2 和 v3，此外后续的其他 YOLO 方法都不是该作者的工作，而是其他人接力的。

二、 方法

2.1 主要结构

YOLOv1 的结构如图 1 所示，该模型使用一个卷积网络来直接预测框和对应类别，是一个统一的模型结构。

结构介绍：YOLOv1 使用全图作为输入，输出框位置和类别

• 输入：将图像分为 $S\times S$ 的网格（7x7），如果目标的中心点落入了对应网格，则由该网格负责预测该目标
• 每个网格预测 B 个 bbox 和每个 bbox 中包含目标的概率，定义 confidence 为 $Pr(object)\times Io{U}_{pred}^{truth}$
• 如果某个网格没有目标落入，则对应 confidence 为 0，否则期望 confidence score = IoU
• 每个 bbox 的预测包含五个参数：$(x,y,w,h,confidence)$，$(x,y)$ 为框的中心点和网格边界的距离（相对当前网格的偏移值），$(w,h)$ 是宽高和全图比（相当于归一化了），confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息。
• 每个网格也会预测类别 $Pr(Clas{s}_i|Object)$，也就是每个框会预测其对应类别。
• 测试时，对每个框预测的类别如下，该类别包含了这个 bbox 中该类别的概率和位置匹配的准确性：$Pr(clas{s}_i|object)\ast Pr(Object)\ast Io{U}_{pred}^{truth}=Pr(Clas{s}_i)\ast Io{U}_{pred}^{truth}$
• 在 PASCAL VOC 测试时，作者使用 S=7，B=2，C=20，最终得到 7x7x30 的向量

为什么每个网格输出 30 维向量：

30维向量 = 20个目标的类别概率（VOC 类别） + 2个bounding box * 4个坐标 + 2个bounding box 包含目标的置信度 confidence（前、背景）

注意， 2 个是否包含目标的置信度是如何使用的呢？

• 在训练时：不使用该置信度，使用预测的框和 gt 框的 IoU 来剔除掉一个 IoU 低的框，每个 grid 保留一个框
• 在测试时：使用该置信度，在 NMS 的时候，对每个 grid，剔除掉置信度低的那个框，每个 grid 保留一个框，然后，使用该置信度对所有的框来排序，剔除掉和置信度最大的框 IoU>阈值的框，对保留下的框重复进行 NMS，直到最后

网络结构如图 3：

• 标准结构：24 conv layers + 2 fully connected layers
• Fast 结构：9 conv layers + 2 fully connected layers
• 输出：7x7x30 tensor

训练：

• 输入 448x448 的图像
• 输出每个网格中的每个框的 $(x,y,w,h,confidence)$
• 虽然每个网格中可能预测多个 bbox，在训练阶段，只期望对每个目标预测一个框，故此处指保留和 gt 的 IoU 最大的框。

Loss 函数：

• $1_i^{obj}$ 是第 $i$ 个网格中存在目标
• $1_{ij}^{obj}$ 是第 $i$ 个网格中的第 $j$ 个 bbox 存在目标
• 可以看出该 Loss 函数只对出现在该网格中的目标进行分类约束，也只对出现在该网格中的 IoU 最大的框进行约束。

推理：

• 在每个图像中预测 98 个bbox（49 个网格，每个网格预测两个框，保留 IoU 最大的那个）
• 每个网格会预测两个 bbox，通过 NMS 后，会保留一个 bbox

如何进行 NMS：

因为我们对一个网格要预测两个bbox，所以最后我们能得到个 7x7x2=98 个bbox。

首先，将这 98 个 bbox 中置信度低的框去掉，然后再根据置信度对剩下的bbox排序，使用 NMS 算法，把重复度高的框的置信度设为 0。

对于留下的框，再根据分类概率得到它们的类别，这里注意得到的框的大小都是相对于原图大小的，都是 0~1 之间的值，所以输出的时候还需要还原，才能得到真实的bbox的尺寸大小。

和 SOTA 方法效果对比：

为了更好的对比 YOLO v1 和 SOTA 方法的效果，作者对比了 YOLO v1 和 Fast RCNN 在 VOC 2017 上的效果：

• Correct：corrent class and IoU>0.5
• Localization：correct class，0.1
• Similar：class is similar, IoU>0.1
• Other：class is wrong，IoU>0.1
• Background：IoU<0.1 for any object

从图 4 可以看出：

• YOLO v1 定位错误较多，定位的错误高于其他所有错误的总和
• Fast RCNN 定位错误的很少，但有很多背景误识别，13.6% 的检测结果是假正，即不包含任何目标，约是 YOLO v1 背景误识别的 3 倍。

2.2 优势和不足

优势如下：

• YOLOv1 很快！由于不需要复杂的 pipeline，在 Titan X GPU 上能达到 45fps，能够实时处理视频流，且准确率是当时实时系统的 2 倍。
• YOLOv1 在推理的时候在全图上进行，在训练和测试时都将全图看做一个整体，没有 RPN 等操作，比 Fast R-CNN 对背景的误检少了一半（Fast RCNN 由于无法看到全局的信息，所有很多背景的误检）。
• YOLOv1 能够学习到目标更泛化的特征。
• YOLOv1 虽然比当时 SOTA 的方法效果差些，但速度很快。

YOLO v1 的不足：

• YOLO v1 在每个网格中预测两个框，并且属于同一个类别，这种空间约束限制了对距离近的目标的预测，会导致漏检，如多个小目标共现的区域
• YOLO v1 模型是从训练数据中学习到的目标纵横比，所以难以泛化到少见的纵横比目标上，导致边界不准。
• YOLO v1 的 loss 函数将大目标和小目标同等对待，大目标的小错误是可以容忍的，但小目标的小错误对 IoU 影响较大，会导致对小目标定位不准
• 使用全连接层，参数量巨大，而且也因此在检测时，YOLO 训练模型只支持与训练图像相同的输入分辨率。
• 一个网格只能预测一个物体。
• anchor-free的方法没有anchor-based的准确。

三、 效果

在手工绘图的数据集上体现了 YOLO v1 的泛化性能：