《YOLO1》论文精读：第一次实现端到端的目标检测

1. You Only Look Once: Unified, Real-Time Object Detection论文地址
2. Paperwithcode在目标检测的排名
3. Github参考代码，100k个star

该论文最新由Facebook AI发表于2016年5月，截止现在2024年10月，引用数是52854次

论文核心内容（省流版阅读这里即可）

本章节介绍了YOLO（You Only Look Once）作为一种新的目标检测方法，并对其特点和优势进行了说明。下面逐步解析论文的核心内容：

1. 引言

• 传统方法：以前的目标检测方法通常是将分类器重新用于检测任务，即先训练一个分类器，然后将其用于检测。

2. YOLO 的新方法

• 回归问题：YOLO 将目标检测视为一个回归问题，直接从图像中预测出空间上分离的边界框（bounding boxes）及其相关的类别概率。
• 单一网络：使用单一的神经网络直接从整个图像中预测边界框和类别概率，而不是通过多阶段的检测流程。
• 下图展示了论文的核心思想：
  

3. 端到端优化

• 统一架构：由于整个检测流程是一个单一的网络，所以可以在检测性能上进行端到端的优化。

4. 速度优势

• 实时处理：YOLO 的基础模型可以实现实时处理，处理速度为每秒45帧（FPS）。
• 快速版本：更小的网络版本（Fast YOLO）处理速度高达每秒155帧，同时仍然能够达到其他实时检测器两倍的平均精度（mAP）。

5. 性能特点

• 定位误差：相比其他最先进的检测系统，YOLO 更多的是定位误差，但在不存在物体的地方预测假阳性（false detections）的可能性远低于其他方法。
• 泛化能力：YOLO 学习到了非常通用的对象表示。在从自然图像推广到艺术作品（如 Picasso 数据集和 People-Art 数据集）时，YOLO 的表现远远超过了其他检测方法，包括 DPM 和 R-CNN。

1. 核心思想

核心思想图示：