作者：Jonathan Hui
編譯：ronghuaiyang

導讀

昨天介紹了YOLOv3，發現大家對這一系列很感興趣，從今天開始，會連載YOLO，YOLOv3，YOLOv3的相關內容，讓大家更加清楚YOLO這一系列發展的過程。今天先介紹YOLO。

YOLO是一個以實時處理為目標的物體檢測系統。我們將在本文中介紹YOLO、YOLOv2和YOLO9000。對於那些只對YOLOv3感興趣的人，請轉到文章底部。以下是YOLO網站提供的準確性和速度對比。

我們從下面我們自己的測試影象開始。

使用YOLO進行物體檢測：

網格單元

為了便於討論，我們對原始照片進行了剪裁。YOLO將輸入影象劃分為  S × S  個網格。每個網格單元僅預測 一個 物件。例如，下面的黃  色 網 格單元格嘗試預測中心(藍點)位於網格單元格內的“person”物件。

每個網格單元預測固定數量的邊界框。在本例中，黃  色 網  格單元格預測兩個邊界框(藍色框)來定位人員的位置。

然而，一個網格只預測一個物體的規則限制了檢測到的物體之間的距離。因此，YOLO對物體之間的距離有一定的限制。如下圖所示，左下角有9個聖誕老人，而YOLO只能檢測到5個。

對於每個網格單元格，

• 預測 B 個邊界框，每個框有一個 box置信度得分
• 只檢測 一個 物件，而不考慮邊界框B的數量
• 預測 C個條件類的概率 (每個類有一個概率)

在Pascal VOC上進行評估，YOLO使用7×7網格(S×S)，2個邊界框(B)和20個類(C)。

讓我們來了解更多的細節。每個邊界框包含5個元素：( x, y, w, h )和 box置信度得分 。置信度分數反映框中包含物件的可能性( object  )以及邊界框的準確性。我們通過影象的寬度和高度對邊界框的寬度 w 和高度 h 進行規範化。 x 和 y 是對應單元格的偏移量。因此， x, y, w 和 h 都在0和1之間。每個單元格有20個條件類概率。條件類probability是檢測到的物體屬於特定類的概率(每個單元格的每個類別有一個概率)。所以YOLO的預測輸出的尺寸為(S, S, B×5 + C) = (7、7、2×5 + 20) = (7、7、30)。

YOLO的主要概念是建立一個CNN網路來預測一個(7,7,30)的張量。它使用一個CNN網路得到1024個通道的7×7的輸出。YOLO用兩個全連線層來進行7×7×2個邊界框的預測(下圖)。為了做出最終的預測，我們保留那些邊界框置信度得分高(大於0.25)的盒子邊界框作為最終的預測(右圖)。

每個預測框的 類置信度得分 計算為：

它度量分類和定位的（物體所在的位置）的置信度。

我們可以很容易地混淆那些得分和概率項。這是數學上的定義，供你以後參考。

網路設計

YOLO有24個卷積層，然後是2個全連線層(FC)。有些卷積層使用了1x1的卷積核來降低特徵圖的通道數。對於最後一個卷積層，它輸出一個形狀為(7,7,1024)的張量。然後張量被壓扁。使用2個全連線層，它輸出7×7×30個引數然後reshape成(7、7、30)，即每個位置2個邊界框。

YOLO的一個更快但準確率較低的版本叫做Fast YOLO，只使用了9個卷積層和更少的feature map數量。

損失函式

YOLO預測每個網格單元有多個邊框。為了計算true positive的損失，我們只希望它們中的一個對該物體負責。為此，我們選擇了和ground truth具有最高IoU的那個。這種策略導致邊界框預測之間的專門化。每種預測都能更好地預測特定的尺寸和縱橫比。

YOLO使用預測和ground truth之間的平方和誤差來計算損失。損失函式包括：

• 分類損失 。
• 定位損失 (預測邊界框與ground truth之間的誤差)。
• 置信度損失 。

分類損失

如果物體被檢測到了，每個單元格的分類損失為每個類的條件概率類的平方誤差：

定位損失

定位損失測量的是預測的邊界框的位置和尺寸的誤差。我們只計算負責檢測物體的框。

我們不希望在大框和小框中對絕對誤差進行同等的加權。例如，一個大框的2畫素誤差和一個小框的2畫素誤差是一樣的。為了部分解決這個問題，YOLO預測邊框寬度和高度的平方根，而不是寬度和高度。此外，更加重視邊界框的準確性，我們將這個損失乘以λcoord(預設值是5)。

置信度損失

如果在一個框中，有物體被檢測到了，置信度的損失為：

如果在一個框中，沒有物體檢測到，置信度損失為：

大多數框不包含任何物體。這就造成了類不平衡的問題，即我們訓練模型檢測背景的頻率比檢測物體的頻率要高。為了彌補這一點，我們將這個損失的權重降低，通過一個因子λnoobj(預設值為0.5)。

損失

最終的損失包括定位損失、置信度損失和分類損失。

推理：非極大值抑制

YOLO會對同一物體進行重複檢測。為了解決這個問題，YOLO使用了非最大抑制來刪除置信度較低的重複的框。非最大抑制在對mAP能增加2-3%。

下面是其中一種非最大抑制實現：

1. 根據置信度得分對預測進行排序。
2. 從最高分開始，如果我們發現任何一個預測，和之前的預測有相同的類並且IoU > 0.5，那麼就忽略掉當前的預測。

3. 重複步驟2，直到檢查完所有預測。

YOLO的優點

• 快，適合實時處理。
• 預測(物體位置和類)由單個網路進行。可進行端到端訓練，提高精度。
• YOLO更一般化。當從自然影象推廣到其他領域(如藝術品)時，它的效能優於其他方法。

• 區域建議方法將分類器限制在特定區域。YOLO在預測邊界框時訪問整個影象，YOLO在背景區域顯示的假陽性更少。
• YOLO每個網格單元檢測一個物件。它加強了預測的空間多樣性。

<未完，明天繼續>

英文原文：https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088

https://www.toutiao.com/a6722781602394407438/

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2653127/，如需轉載，請註明出處，否則將追究法律責任。