如需讲解视频，请关注我的个人微信公众号：AI研究小院
麻烦大家给我点个赞，就是那种让我看起来，写的还不错的样子!😁😁😁😁😁
YOLOv1是继Faster R-CNN后，第一个one stage物体检测算法，开创了物体检测算法一个全新流派，自YOLOv1后，物体检测基本分为one stage和two stage两个流派。
下图是YOLO在整个物体检测算法历史上的坐标。
image
背景
可以看出，YOLOv1是在Faster R-CNN之后提出的，但查看首次上传arXiv的时间可知（见下图），YOLOv1和Faster R-CNN基本是同时提出的，因此YOLO作者动笔之时，Fast R-CNN是SOTA(state of the art)，Faster R-CNN尚未出世，因此YOLO作者的主要对比对象是Fast R-CNN。当然，作者后续还是补充了与Faster R-CNN的对比结果做参考。
下面简单分析下Fast R-CNN的原理。
image
Fast R-CNN主要由四部分组成（如下图），首先是共用的Feature Extractor，然后是传统的Region Proposal算法，有了共用的Extracted Feature Map和ROI（Region Of Interest）后，将Extracted Feature Map上对应ROI部分截取出来，经过ROI Pooling，转成分辨率固定的Feature Map，输入到物体检测部分，以回归物体类别和bounding box，完成整个物体检测流程。
image
由于Fast R-CNN分为Extract Feature和Region Proposal两个过程，因此是two stage的，这导致了Fast R-CNN的常常准确度高，但速度做不到实时性。
YOLO的提出就是解决Fast R-CNN的缺点，将two stage合成为一个stage，从而达到实时性。
Idea
具体YOLO是如何将two stage合成为一个stage的呢？
1）首先，将输入图片划分为7x7的网格
image
2）然后，每一个网格cell输出两个bounding box的预测和一个共享的类别预测。如下图。
每一个bounding box的预测包含五个值C,x,y,w,h，其中C表示预测框的置信度，x,y,w,h表示预测框的位置和尺寸，p_ci表示预测框属于类别ci的概率。
image
可以看出，一个cell预测两个框，但输出的时候只能输出一个预测结果，一般取置信度C值大的那个预测框作为这个cell的预测结果，框的类别取p_ci最大的类别。
3）既然一个cell有两个预测框，那每个预测框的Ground Truth怎么计算呢？
首先，一个Ground Truth框分配给其center所在的cell，如下图，自行车的绿色Ground Truth框分配给粉色的cell，
image
其次，在一个cell内部，Ground Truth会分配给与其IOU最大的predictor，如下图，粉色cell中的两个预测框是红色框，绿色GT框会分配给宽矮的红色预测框。
image
有了输出，有了GT，再设计设计网络结构，即输入到输出的映射，就可以利用梯度下降进行训练了。
Network
下图是简化版的网络结构，
image
下图是详细的网络结构，
image
可以看出，图片先经由一个作者设计的24层的Feature Extractor，提取特征，然后再经过两个全连接层，就得到最后7x7x30的输出。
需要注意的是，这个7x7的输出的意义就是作者说的将网格划分为7x7的网格。
Loss
Loss主要分为三个部分，位置损失、置信度损失和类别损失。
image
上式中，SxS是输出结果的分辨率，也是cell的个数，B是一个cell中的预测框的个数，两个sigma意思是遍历所有cell的所有box求和，lambda是损失权重，1函数是指示函数，条件为真时取1，为假时取0。
1）位置损失
image
这里首要的是弄清楚给定一个predictor，其预测的x，y，w，h的含义，红色框住的是对应的标签。
x，y的含义是预测框的中心点相对cell左上角的相对坐标，其值在0~1之间。
w，h的含义是预测框的宽度与图片宽度的比值，预测框的高度与图片高度的比值，其值也在0~1之间。
也即predictor预测的x，y，w，h都是归一化后的的相对值，以下图为例，红色框是绿色GT框的预测框，则
预测的x=X/64，y=Y/64，w=W/448，h=H/448。
预测框x，y，w，h对应的标签也是相同的计算方法。
image
2）置信度损失
image
Ci预测的是Pr(object)*IOU，综合反映了预测框有object的概率和预测框与truth的IOU大小。
所以对于一个cell的C_i的标签的计算方法是：
image
3）类别损失
image
预测的p_ci是条件概率，即Object已知的情况下，Class_i的概率，如果GT的类别是ci，则p_ci的标签是1，其他p_ci的标签为0。
Training
YOLO模型训练采用了以下技巧：
1）数据增强
包括随机缩放，随机截取，随机调整曝光度和饱和度
2）dropout
估计是全连接层，使用了dropout，dropout rate取0.5
3）优化器
采用momentum优化器，超参数beta取0.9
4）weight decay
采用了权重衰减，系数为0.0005
5）batch size为64
6）learning rate
image
总共训练136个epoch，第一个epoch，学习率稳定从0.001升至0.01，接着保持0.01的学习率学习75个epoch，然后将学习率降至0.001训练30个epoch，再将学习率降至0.0001训练30个epoch。
Experiments
image
学习效果如上表，可以看到YOLO的速度成碾压态势，而准确率依然很高。
Error Analysis
作者还对YOLO进行了误差分析，对比了Fast R-CNN与YOLO的误差来源。
首先作者将识别结果分为五类：
- 正确分类：类别正确，IOU>0.5
- 位置错误：类别正确，0.1<IOU<0.5
- 近似错误：类别识别为近似类别，IOU>0.1
- 其他错误：类别错误，IOU>0.1
- 背景错误：IOU<0.1
Fast R-CNN与YOLO的误差组成如下图：
image
可以看出，Fast R-CNN以背景错误为主，YOLO以位置错误为主。
结论
YOLO开创性的提出了一步式算法，做到了实时检测和高准确率。
网友评论