YOLO：实时目标检测

基本YOLO模型能够以每秒45帧实时处理图像，较小版本fastyolo每秒处理155帧，同时仍能达到其它实时探测器2倍的mAP

YOLO的意思就是You only look at once，从名字上听起来就非常快，在RCNN系列的网络中采用的是two-stage方法，即先生成候选框，然后对候选框进行分类，而以YOLO为代表的one-stage方法则是直接回归到类别概率和物体坐标

Yolo核心思想

Yolo的思想非常简单，就是将输入的图像划分成$S\times S$的格子，如果检测物体的中心在某个格子内，那个这个格子就负责检测这个物体

每个格子会预测B个bbox以及其对应的置信度(confidence scores)，置信度表示bbox包含一个物体的确定程度和bbox的准确度，所以其计算公式为

$Pr(Obj)\cdot IoU(pred,GT)$

公式的含义是，若格子中有物体，则置信度为$IoU(pred,GT)$，否则为0

每个bbox由5个预测组成：x、y、w、h和置信度。(x,y) 坐标表示长方体相对于网格单元边界的中心。w和h对图像的宽度和高度进行了预测。置信度预测表示预测框和任何GT之间的IoU

此外，每个格子预测C个分类，所以输出量为$S\times S\times (5\ast B+C)$

网络结构

网络类似GoogleNet，包含24层卷积层和2层全连接层，用$3\times 3$卷积层接$1\times 1$还原层(reduction layers)替代了GoogleNet的初始模块，这种方式降低了计算量，同时提升了模型的非线性能力

输入图像的尺寸为$448\times 448$，输出为$7\times 7\times 30$的tensor $(S=7，B=2，C=20)$

这里我们可以发现，对于一个格子的两个bbox，其实是共用一份类别预测的，也就是说，YOLO会对于一个格子预测两个框，然后选择IoU更高的一个来使用这个类别预测，整张图最多只能检测出$S\times S$个物体

Loss函数

YOLO使用均方和误差作为loss函数来优化模型参数，Loss函数分为三个部分，坐标误差，置信度误差和类别误差，具体见下图 (图源自CSDN，链接见文末)

坐标误差项计算的是正样本中心坐标的损失，${\lambda }_{coord}$设置为5，提高位置损失的权重，而w和h做了开方处理，这是因为，小的bbox的偏移比大的bbox的偏移更不能被接受，而开方之后，较小的bbox的偏差对loss会有更大的影响 (横轴值较小，偏移时，反映到纵轴上较大)

置信度误差项中${\lambda }_{noobj}$设置为0.5，调低负样本置信度损失的权重

类别误差项计算正样本的类别损失

对比实验

查看下图对比可以知道YOLO的背景图像的误检率是低于Fast R-CNN (这是因为YOLO相比RCNN系列获得更多的全局信息)，但是在定位上比Fast R-CNN略逊一筹

重新画饼图主要是我想玩一下mermaid画图

---

Correct: correct class and IOU > .5
Localization: correct class, .1 < IOU < .5
Similar: class is similar, IOU > .1
Other: class is wrong, IOU > .1
Background: IOU < .1 for any object

---

论文原文

YOLO解读

YOLO解读