誰人不識YOLOv1？

如需講解視頻，請關注個人我的微信公衆號：小紙屑

麻煩你們給我點個贊，就是那種讓我看起來，寫的還不錯的樣子!😁😁😁😁😁

YOLOv1是繼Faster R-CNN後，第一個one stage物體檢測算法，開創了物體檢測算法一個全新流派，自YOLOv1後，物體檢測基本分爲one stage和two stage兩個流派。

下圖是YOLO在整個物體檢測算法歷史上的座標。

背景

能夠看出，YOLOv1是在Faster R-CNN以後提出的，但查看首次上傳arXiv的時間可知（見下圖），YOLOv1和Faster R-CNN基本是同時提出的，所以YOLO做者動筆之時，Fast R-CNN是SOTA(state of the art)，Faster R-CNN還沒有出世，所以YOLO做者的主要對比對象是Fast R-CNN。固然，做者後續仍是補充了與Faster R-CNN的對比結果作參考。

下面簡單分析下Fast R-CNN的原理。

Fast R-CNN主要由四部分組成（以下圖），首先是共用的Feature Extractor，而後是傳統的Region Proposal算法，有了共用的Extracted Feature Map和ROI（Region Of Interest）後，將Extracted Feature Map上對應ROI部分截取出來，通過ROI Pooling，轉成分辨率固定的Feature Map，輸入到物體檢測部分，以迴歸物體類別和bounding box，完成整個物體檢測流程。

因爲Fast R-CNN分爲Extract Feature和Region Proposal兩個過程，所以是two stage的，這致使了Fast R-CNN的經常準確度高，但速度作不到實時性。

YOLO的提出就是解決Fast R-CNN的缺點，將two stage合成爲一個stage，從而達到實時性。

Idea

具體YOLO是如何將two stage合成爲一個stage的呢？

1）首先，將輸入圖片劃分爲7x7的網格

2）而後，每個網格cell輸出兩個bounding box的預測和一個共享的類別預測。以下圖。 每個bounding box的預測包含五個值C,x,y,w,h，其中C表示預測框的置信度，x,y,w,h表示預測框的位置和尺寸，p_ci表示預測框屬於類別ci的機率。

能夠看出，一個cell預測兩個框，但輸出的時候只能輸出一個預測結果，通常取置信度C值大的那個預測框做爲這個cell的預測結果，框的類別取p_ci最大的類別。 3）既然一個cell有兩個預測框，那每一個預測框的Ground Truth怎麼計算呢？ 首先，一個Ground Truth框分配給其center所在的cell，以下圖，自行車的綠色Ground Truth框分配給粉色的cell，

其次，在一個cell內部，Ground Truth會分配給與其IOU最大的predictor，以下圖，粉色cell中的兩個預測框是紅色框，綠色GT框會分配給寬矮的紅色預測框。

有了輸出，有了GT，再設計設計網絡結構，即輸入到輸出的映射，就能夠利用梯度降低進行訓練了。

Network

下圖是簡化版的網絡結構，

下圖是詳細的網絡結構，

能夠看出，圖片先經由一個做者設計的24層的Feature Extractor，提取特徵，而後再通過兩個全鏈接層，就獲得最後7x7x30的輸出。

須要注意的是，這個7x7的輸出的意義就是做者說的將網格劃分爲7x7的網格。

Loss

Loss主要分爲三個部分，位置損失、置信度損失和類別損失。

上式中，SxS是輸出結果的分辨率，也是cell的個數，B是一個cell中的預測框的個數，兩個sigma意思是遍歷全部cell的全部box求和，lambda是損失權重，1函數是指示函數，條件爲真時取1，爲假時取0。

1）位置損失

這裏首要的是弄清楚給定一個predictor，其預測的x，y，w，h的含義，紅色框住的是對應的標籤。 x，y的含義是預測框的中心點相對cell左上角的相對座標，其值在0~1之間。 w，h的含義是預測框的寬度與圖片寬度的比值，預測框的高度與圖片高度的比值，其值也在0~1之間。 也即predictor預測的x，y，w，h都是歸一化後的的相對值，如下圖爲例，紅色框是綠色GT框的預測框，則 預測的x=X/64，y=Y/64，w=W/448，h=H/448。 預測框x，y，w，h對應的標籤也是相同的計算方法。

2）置信度損失

Ci預測的是Pr(object)*IOU，綜合反映了預測框有object的機率和預測框與truth的IOU大小。 因此對於一個cell的C_i的標籤的計算方法是：

3）類別損失

預測的p_ci是條件機率，即Object已知的狀況下，Class_i的機率，若是GT的類別是ci，則p_ci的標籤是1，其餘p_ci的標籤爲0。

Training

YOLO模型訓練採用瞭如下技巧： 1）數據加強 包括隨機縮放，隨機截取，隨機調整曝光度和飽和度 2）dropout 估計是全鏈接層，使用了dropout，dropout rate取0.5 3）優化器 採用momentum優化器，超參數beta取0.9 4）weight decay 採用了權重衰減，係數爲0.0005 5）batch size爲64 6）learning rate

總共訓練136個epoch，第一個epoch，學習率穩定從0.001升至0.01，接着保持0.01的學習率學習75個epoch，而後將學習率降至0.001訓練30個epoch，再將學習率降至0.0001訓練30個epoch。

Experiments

學習效果如上表，能夠看到YOLO的速度成碾壓態勢，而準確率依然很高。

Error Analysis

做者還對YOLO進行了偏差分析，對比了Fast R-CNN與YOLO的偏差來源。 首先做者將識別結果分爲五類：

1. 正確分類：類別正確，IOU>0.5
2. 位置錯誤：類別正確，0.1<IOU<0.5
3. 近似錯誤：類別識別爲近似類別，IOU>0.1
4. 其餘錯誤：類別錯誤，IOU>0.1
5. 背景錯誤：IOU<0.1

Fast R-CNN與YOLO的偏差組成以下圖：

能夠看出，Fast R-CNN以背景錯誤爲主，YOLO以位置錯誤爲主。

結論

YOLO開創性的提出了一步式算法，作到了實時檢測和高準確率。