You Only Look Once: Unified, Real-Time Object Detection（Yolov1） 论文详细解读

前言

研究目标检测相关的论文，将其文章梳理总结如下
对应的ppt展示可看我这资源：You Only Look Once: Unified, Real-Time Object Detection

目标检测主要分为两类

• Region Proposal的R-CNN系（R-CNN、Fast R-CNN、Faster R-CNN）。两个阶段
• YOLO、SSD。一个阶段

所谓的两阶段与一阶段
两个阶段：将其图片使用启发式或者CNN产生Region Proposal，在对其分类回归
一个阶段：将其图片使用CNN输出类别与位置

1. 简介

原本人类看一眼图像，就可知道图像在表达什么。目前的目标检测系统利用分类器进行检测，对该物体的分类器进行评估，并测试图像不同位置和比例的测试图像进行评估。

Rcnn在图像中生成潜在的边界框，然后通过分类器来完善边界框消除重复的检测，对其进行评分。基于场景的各个物体，每个都需要进行训练优化。

原本利用分类器进行检测，现在把物体检测看做一个回归问题，将其分离为相关的类别概率。
直接从一副完整的图像中预测出边界框和类别概率，整个预测都是单一的网络，可直接根据预测进行端到端的优化。
也就直接从图像像素到边界框坐标和类别概率，使用YOLO即可预测物体的存在以及位置

卷积网络可同时预测多个边界框以及每个框的类别概率。
与传统的检测相比较有以下好处：

• yolo的基本网络运行速度为45帧/秒（速度快）
• 平均精度是其他实时系统的两倍以上（精度高），rcnn是一种顶部预测方法，会把图像中的背景误认为物体

进行预检测是对图像进行全局推理，不同于滑动窗口和区域技术，yolo在训练和预测可看到整个图像（隐含编码了关于类别以及它们外观的上下文信息）

---

补充滑动窗口

此处文章中提到的滑动窗口（补充讲解），类似leetcode的滑动窗口题，不过这是数组的滑动，以下是图形的滑动：239. 滑动窗口最大值

图像中的滑动窗口思路如下：
采用不同长宽的图以及步长在图片中进行滑动，但限定于图片目标规模以及不同窗口、步长，而且计算量很大（可能有些区域没有目标，也在计算）。为了减少计算量而且保证步长，专门减少一些区域，可以使用Selective Search，这个方法主要有三个优势： 捕捉不同尺度（Capture All Scales）、多样化（Diversification）、快速计算（Fast to Compute）。来提升效率过滤无用的子区域。

卷积就有点类似滑动窗口的思想，图片的空间位置信息不变性

yolo为了解决只限定窗口大小以及步长，不采用滑动窗口，将其原始图片分割为格子，通过卷积产生特征图，每个特征图也代表该物体是否在格子内。

2. 思想设计

从文章的这个图片也可看出，这和以前的 faster rcnn有所区别
yolo是一个阶段，端对端的目标检测

大致的意思：

• 将图像压缩为448*448
• 将图像运行在单个卷积网络，端到端输入到输出
• 将其结果阈值设置为模型的置信度

将其物体的独立组件都统一到单一的神经网络，利用其网络对其整个图像预测每个边框之值，还可预测一个图像中所有类别的边界框。（从此处可看出对整个图像中的所有物体进行了全局推理）

之所以可以保证高精度以及高速度，具体原因如下：

• 将其图像限定为S*S的网格。一个物体中心落入网格，该网络负责检测该物体。
• 每个网格可预测出B个边界框和这些框的置信度（其置信度反映对物体的准确度）

将其准确度定义如下：

IOU为预测框和实际框的交集，每个预测款都由5个值组成（x、y、w、h、confidence），xy坐标相对于框中心下的，宽度高度同理。每个网格单元还预测了C类的条件概率Pr(Classi|Object)，这些概率以包含一个物体的网格单元为条件的。

这主要是置信度定义的由来

1. 格子是否包含目标，由Pr（Object）概率确定，要么有为1，要么没有为0
2. 格子是否预测准确（与真实框相比较），通过IOU这个交并比区分

具体边界框大小与位置由如下参数确定：（x，y，w，h，c）。xywh都限定在了0与1的范围内

• xy相对于每个框的坐标进行偏移，此xy对应的是框的中心偏移量
• wh是每个框的宽与高
• c为框的置信度

上面的公式还有些不合理之处。单算单元格预测出的边界框是否有该物体还不大行，每个单元格还要预测出C类别概率。对此需要将其概率预测值和边界框结合在一起。类似先验概率，预测出该物体是否存在以及该物体中出现该类别的概率以及IOU交并比（三者是相乘关系）。该单元格没有物体，则置信度分数为0。

通过这个公式，可以看到涉及两个回归问题
一个是有物体上的概率，通过是否有物体来预测
一个是交并比的问题，后期会设置一个IOU阈值大小决定预测的问题

总体算下来
每个单元格为：（B∗5+C）
图片总体张量为：S×S×（B∗5+C）张量
该论文是只预测在PASCAL VOC上评估YOLO时，我们使用S=7，B=2。PASCAL VOC有20个标记的类，所以C=20。我们的最终预测是一个7×7×30的张量。

3. 模型设计

3.1 网络

使用的数据集为：PASCAL VOC
利用网络的初始卷积层从图像中提取该特征，利用全连接层预测输出概率以及坐标。
网络结构参考了GoogleNet，有24个卷积层，2个全连接层

具体YOLO的模型如下：
卷积层 主要使用11的卷积以及33的卷积，大的卷积层以及全连接使用了Leaky ReLU激活函数。最后一层使用线性激活函数。

训练了一个快速版本的YOLO（快速版本卷积层为9层。每个层都由较少的过滤器，其他训练以及测试参数都是一样的），为推动快速物体检测的边界

7764 64个卷积核，步长为2

3.2 训练

使用ImageNet预训练卷积层，对于预训练，使用前20个卷积层、average-pool、全连接层，训练了一个星期。
之后在前20个卷积层中添加了四个卷积层以及两个全连接层，并随机初始化了权重，将其分辨率调整为448*448（考虑更加好的分辨参数）。

对应将其边界框的x y 宽 高限定在了0 和 1的偏移，最后一层使用了线性激活函数，其他层次使用了leaky的线性函数。

训练过程中的损失函数分析如下：
在每张图像中，许多网格单元不包含任何物体，导致一些格子的信心分数以及置信度分数趋于0。解决这一问题，增加边界值以及坐标预测的损失，减少 不包含物体边框的 置信度的预测损失。

对应的参数如下：

• 中心坐标误差
• 宽高误差
• 包含边界框置信度误差
• 不包含边界框置信度误差
• 包含目标分类误差

回归问题采用了均方差的损失函数，

• 方差计算不同：之所以xy与wh不一样的计算方式，因为小边界框的坐标误差比大边界框的坐标误差要反应大，所以wh对其平方根
• 权重不同：对应λcoord为定位误差，所以使用了较大的权重（为5），对应λnoobj为分类误差，使用较小的权重（为0.5）

为了提高性能，显示边界框更加的专业化，一个格子有多个边界框，但类别只有一个，最多只有一个边界框只有该类别，其他边界框不能有该类别。不存在目标的边界框，损失的误差只有置信度C。

yolo预测了每个网格单元的多个边界框，在训练的时候，只希望一个边界框来负责每个对象，依据是预测与真是的IOU是最高的，这样的预测器可以更好的预测尺寸、长宽以及物体的类别，来提高整体的召回率。

对应这句话的解读：

对象i是否出现在单元格i中 以及 i单元格中的第j个边界框预测器对该预测框进行预测

损失函数只是对分类错误进行惩罚（只是惩罚边界框中的坐标错误）
训练的过程中，批次64，动量0.9，衰减为0.0005，学习率有10^-3到10^-2（为了防止不稳定，一般都是从低到高）
yolo的预训练比较快，不像分类器

3.3 预测

非极大抑制（NMS）消除重复检测
对网络单元进行空间限制，有助于减少同一物体的多次检测
具体思路如下：从所有检测框中找出最大的置信度，挨个计算与其它框的交并比，如果该值大于最大的置信度，则将其筛选掉（重合度高）

其他快速检测器 Fast和Faster R-CNN，专注于通过共享计算和使用神经网络，来提出区域而不是选择性搜索来加快R-CNN框架的速度

总共预测的框个数（论文 7 * 7 ）：7 * 7 * 2 = 98
也就是有98个边界框，将其小于置信度的置为0。按照类别对其对其置信度采用非极大值抑制，对应将其不符合的置信度置为0（与最大的置信度进行交并比筛选）

4. 实验结果

YOLO与其它检测算法进行比较如下：

误差分析如下：

• Correct（准确度）：类别正确，IOU>0.5；
• Localization（定位不准）：类别正确，0.1 < IOU<0.5
• Similar：类别相似，IOU>0.1
• Other：类别错误，IOU>0.1
• Background（背景当物体）：任何目标，IOU<0.1

缺点：

• 每个网格两个边界框，如果物体长宽不确定，性能差
• 物体很靠近很密集，性能差
• 每个网格有多个物体，性能差
• 小物体，性能差

小物体的改进可以使用多尺度单元格，类似的框架有SSD、Faster R-CNN