AI学习笔记——精准识别You Only Look Once(Y

作者: Hongtao洪滔 | 来源:发表于2019-04-09 07:21 被阅读25次

上一篇文章我们讲到，通过卷积神经网络(CNN)可以轻松实现图片的识别与分类。所以，只要有足够多的，已标记的样本，我们就可以用这些样本将神经网络训练成分类器，用来识别新的图片。MINST手写数字的样本，可以训练手写数字分类器；不同品种猫的样本，可以训练出猫的分类器；人脸的样本可以训练出人脸分类器...

对于人类来说，给我们一张图片，或者我们瞄一眼一个画面，画面或图片中的每个物品和物品的相应位置就能立即被我们识别。然而，上面提到分类器似乎只能识别单一物品，即便能识别多个物品，也无法指出物品在图片中的位置。

这篇文章我们就来聊聊YOLO[1]这个神奇的模型，它可以像人一样，一眼就能识别图片中的物体以及物体的位置。更加神奇的是，对于动态视频甚至摄像头实时采集的画面，YOLO都能精准识别。

image source from github with GNU General Public License v3.0

1. 目标识别简史

2001年左右，Viola-Jones的人脸识别算法[2]是当时准确度较高的目标识别算法，这个算法需要先标记出人脸的特征值，比如眼睛鼻子间的距离等，然后再送给机器使用支撑向量(SVM)的方法进行训练。

2005年，N. Dalal[3]将人脸的图片先进行灰度分析，形成灰度特征向量(Histograms of Oriented Gradient)，再将这些预处理过的图片送入计算机进行分类训练，大大提高了人脸识别的精确度。

2012年， Kriszhevsky团队用卷积神经网络(CNN)将人脸识别的准确率再提高了一个台阶，从此目标识别领域迈进了深度学习的时代。

正如本文开篇讲到，普通的CNN网络只能对单个物体进行识别，而且无法指出物体的位置。为了解决这个问题，R-CNN算法就诞生了。R-CNN需要对图片扫描多次，先框出图片可能有物体的区域，然后再对这些区域用CNN算法进行识别。

2. YOLO原理简介

YOLO—You Only Look Once，顾名思义，就是对图片仅进行一次扫描就能同时识别多个物体，并标记出物体的位置。YOLO目前已经迭代出了多个版本，但是基本原理没有改变，我们以YOLO V2为例。

首先，YOLO将一张图片分成13×13个格子。

Alt Text

image sorce from github with GNU General Public License v3.0

然后，YOLO对每个格子输出5个预测框。预测框的粗细可以表明这个框内存在目标物体的可能性。

Alt Text

image sorce from github with GNU General Public License v3.0

其次，这些预测框同时可以预测目标物体的类别，如下图，用不同颜色标记不同类别(20个)，粗细同样表示可能性的大小。

Alt Text

image sorce from github with GNU General Public License v3.0

最后，YOLO将可能性比较大(比较粗)的预测框输出，就得到我们想要的结果了。

image sorce from github with GNU General Public License v3.0

3. YOLO结构

如下图，所示，YOLO是由我们熟悉的若干个CNN堆叠而成的，我们来看看原始图片经过多层CNN处理之后，最后一层输出的是什么。

YOLO最后一层输出的是一个13×13×125的矩阵，所有我们需要的信息都包含在了这一层中。

13×13就是之前提到的图片中被划分成的13×13个格子。

每个格子包含125位信息，这125位信息包含5个预测框，每个预测框含有25位信息(125= 5×25)。

这25位信息，前五位为[x, y, width, height, Score]；其中，(x, y) 表示预测框的中心坐标，width和height表示预测框的长，宽，Score表示预测框中有目标的可能性。

这25位信息，后20位每一位代表一个类别，其数表示属于该类别的概率。