初识YOLO

什么是YOLO

对象识别和定位，可以看成两个任务：

• 找到图片中某个存在对象的区域；

• 识别出该区域中具体是哪个对象。

解决方法：

• 遍历图片，不同大小，不同位置的每个区域，选择最大概率的结果作为输出。

• RCNN：候选区（Region Proposals）方法。先找到可能存在对象的候选区（Selective Search），然后对每个候选区进行对象识别。候选区域生成 --> 特征提取 --> 类别判断 --> 位置微调。

• YOLO：将两个任务合并，使用预定义的预测区（类似于RCNN的候选区），后使用边框回归，对边框进行微调。

目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派：

1. 两步走（two-stage）算法：先产生候选区域然后再进行CNN分类（RCNN系列）。

2. 一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位（YOLO系列）。

YOLO是实时目标检测，它的意思是You Only Look Once。YOLO到目前为止已经发展到了YOLOv3。

YOLO的主页为https://pjreddie.com/darknet/yolo/。

论文下载：http://arxiv.org/abs/1506.02640。

代码下载：https://github.com/pjreddie/darknet 。

YOLO

YOLO核心思想

就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。

YOLO实现

将一幅图像分成 S x S 个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。

我们的模型将检测作为一个整体问题。将一幅图像分成 S x S 个网格（grid cell），每个网格预测 B 边界框（bounding boxes），信任这些边界框和 C 类可能性（class probabilities）。这些预测将编码为 S x S x (B * 5 + c) 个张量（tensor）。

YOLO对 PASCAL VOC 的检测，S = 7，B = 2，C = 20，我们最终的预测张量将为 7 x 7 x 30 个。

网络架构

相较于其他网络，YOLO去掉候选区步骤之后，结构非常简单，就是单纯的卷积、池化，加上最后两层全连接。单看网络结构的话，和普通的CNN对象分类网络几乎没有本质区别.最大的差异是最后输出层用线性函数作为激活函数（其他的层都使用leaky rectified线性激活函数），因为需要预测边界框的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量。

YOLO有24个卷积层，后面是2个全连接层（FC）。部分卷积层交替使用1 * 1缩减层以减少特征图的深度。对于最后一个卷积层，它输出一个形状为(7, 7, 1024)的张量。张量然后变平，使用2个全连接层作为线性回归的形式，输出7 * 7 * 30个参数，然后重新变换为(7, 7, 30)，即每个位置2个边界框的预测。

进一步细节请参考YOLO论文，http://arxiv.org/abs/1506.02640。

 

P.S.

文章中的图片全部来自YOLO论文。