YOLO v1

YOLO v1

《You Only Look Once: Unified, Real-Time Object Detection》
论文地址

1 核心思想：

“We frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities.”

从R-CNN到Fast R-CNN一直采用的思路是先生成region proposal，然后再对proposal进行分类和回归，精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路：直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。

2 特点：

2.1 优点

YOLO is extremely fast – no complex pipeline
Twice the mean average precision of other real-time systems
YOLO reasons globally about the image – less background errors
YOLO learns generalizable representations of objects – new domain and unexpected input (art works).

2.2 缺点

识别物体位置精准性差。
召回率低。
YOLO对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体（落在一个格子里）检测效果不好，这是因为一个网格中只预测了两个框（两个目标），并且只属于一类。
测试图像中，当同一类物体出现的不常见的长宽比和其他情况时泛化能力偏弱。
对于小物体，Yolo的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。

3 网络结构和流程

3.1 网络流程

3.2 网络的结构

扫描二维码关注公众号，回复： 297857 查看本文章

input: 448×448
output: S × S × (B * 5 + C)

把图片分为S × S个grid，每个grid里面有B个（YOLOv1中B为2）bounding box和C个类别，每个bounding box 由5个参数构成，分别是p，x，y，w，h

p: These confidence scores reflect how confident the model is that the box contains an object and also how accurate it thinks the box is that it predicts.

P = P r (O b j e c t) * I O U_{p r e d}^{t r u t h}

$P = Pr(Object)*IOU_{pred}^{truth}$

P r (O b j e c t)

$Pr(Object)$ : bounding box中有目标的时候为1，没有为0

I O U_{p r e d}^{t r u t h}

$IOU_{pred}^{truth}$ : predict 的 bounding box 与 ground truth的IOU

$x,y$ ：bounding box的中心坐标，在某个grid中，所以是相对每个grid的，grid的左上角为（0，0），右下角为（1，1）
$w,h$ ：bounding box的长宽，是相对整张图的
所以 $x,y,h,w$ 都是0~1之间的

eg :下图把图片分为 7×7 个grid，每个grid两个bounding box 是 2*5，二十个类别是20
output: 7×7×(2*5+20) = 7×7×30

4 训练

预训练分类网络：在 ImageNet 1000-class competition dataset上预训练一个分类网络，这个网络是图The architecture of network中的前20个卷机网络+average-pooling layer+ fully connected layer （此时网络输入是224*224）。

训练检测网络：转换模型去执行检测任务，《Object detection networks on convolutional feature maps》提到说在预训练网络中增加卷积和全链接层可以改善性能。在他们例子基础上添加4个卷积层和2个全链接层，随机初始化权重。检测要求细粒度的视觉信息，所以把网络输入也又224*224变成448*448。见图The architecture of network。

损失函数：

首先区分定位误差和分类误差
然后其区分不包含目标的边界框与含有目标的边界框的置信度

损失函数的设计目标就是让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。简单的全部采用了sum-squared error loss来做这件事会有以下不足：

8维的localization error和20维的classification error同等重要显然是不合理的；
如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence push到0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。

解决方案如下：

更重视8维的坐标预测，给这些损失前面赋予更大的loss weight, 记为 $\lambda_{coord}$ ,在pascal VOC训练中取5。（上图蓝色框）
对没有object的bbox的confidence loss，赋予小的loss weight，记为 $\lambda_{noobj}$ ，在pascal VOC训练中取0.5。（上图橙色框）
有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1。
对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。

5 测试

Test的时候，每个网格预测的class信息 $Pr(Class_i | Object)$ 和bounding box预测的confidence信息 $Pr(Object) \ast IOU^{truth}_{pred}$ 相乘，就得到每个bounding box的class-specific confidence score。

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

对每一个网格的每一个bbox执行同样操作： 7x7x2 = 98 bbox （每个bbox既有对应的class信息又有坐标信息）

得到每个bbox的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS处理，就得到最终的检测结果。

6 性能分析

6.1 误差分析

这里看一下Yolo算法在PASCAL VOC 2007数据集上的性能，这里Yolo与其它检测算法做了对比，包括DPM，R-CNN，Fast R-CNN以及Faster R-CNN。其对比结果如表所示。与实时性检测方法DPM对比，可以看到Yolo算法可以在较高的mAP上达到较快的检测速度，其中Fast Yolo算法比快速DPM还快，而且mAP是远高于DPM。但是相比Faster R-CNN，Yolo的mAP稍低，但是速度更快。所以。Yolo算法算是在速度与准确度上做了折中。
这里写图片描述
为了进一步分析Yolo算法，文章还做了误差分析，将预测结果按照分类与定位准确性分成以下5类：

Correct：类别正确，IOU>0.5；（准确度）
Localization：类别正确，0.1 < IOU<0.5（定位不准）；
Similar：类别相似，IOU>0.1；
Other：类别错误，IOU>0.1；

可以看到，Yolo的Correct的是低于Fast R-CNN。另外Yolo的Localization误差偏高，即定位不是很准确。但是Yolo的Background误差很低，说明其对背景的误判率较低。

6.2 Combining Fast RCNN and YOLO

”YOLO makes far fewer background mistakes than Fast R-CNN. By using YOLO to eliminate background detections from Fast R-CNN we get a significant boost in performance.”