YOLOv1

简介

2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once（也就是我们常说的YOLO的全称）。

YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。
论文下载：http://arxiv.org/abs/1506.02640

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

网络结构

• 采用了一个基于卷积神经网络的端到端结构，其中包括24个卷积层和2个全连接层，共计约50万个参数。
• 网络输入：448×448×3的彩色图片。
• 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
• 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
• 网络输出：7×7×30的预测结果。

检测策略

• 将一幅图像分成 S×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。

• 每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。

• 每个网格还要预测一个类别信息，记为 C 个类。

• S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C) 的张量。

具体来说：YOLOv1把一张图片划分为了7×7个网格，并且每个网格预测2个Box（Box1和Box2），20个类别。所以实际上，S=7，B=2，C=20。那么网络输出的shape也就是：7×7×30。

目标损失函数

• 损失由三部分组成，分别是：坐标预测损失、置信度预测损失、类别预测损失。

• 坐标预测损失

• 置信度预测损失
  
• 类别损失

学习率策略

我们的学习速率安排如下：对于第一阶段，我们将学习速率从10^-3 慢慢提高到10 ^-2。如果我们以一个高的学习速率开始，我们的模型往往会由于不稳定的梯度而发散。我们继续以10 ^- 2训练75个epochs，然后以10 ^- 3训练30个epochs，最后以10 ^- 4训练30个epochs。

数据处理和防过拟合

为了避免过拟合，我们使用dropout和广泛的数据增强。在第一个连通层之后的一个比率为0. 5的dropout层阻止了层间的相互适应。对于数据增强，我们引入了高达原始图像尺寸20%的随机缩放和平移。我们还在HSV颜色空间中随机调整图像的曝光度和饱和度，最高为1.5倍。

性能表现

1. 优点

• 1.YOLO检测速度非常快。标准版本的YOLO可以每秒处理 45张图像；YOLO的极速版本每秒可以处理150帧图像。 这就意味着 YOLO 可以以小于 25 毫秒延迟，实时地处理视频。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
• 2、YOLO 实时检测的平均精度是其他实时监测系统的两倍。
• 3、迁移能力强，能运用到其他的新的领域（比如艺术品目标检测）。

2. 局限

• YOLO对相互靠近的物体，以及很小的群体检测效果不好，这是因为一个网格只预测了2个框，并且都只属于同一类。
• 由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，small error影响更大）
• YOLO对不常见的角度的目标泛化性能偏弱。

论文实验图