YOLO 论文笔记

YOLO：You Only Look Once: Unified, Real-Time Object Detection

摘要

YOLO 将目标检测问题看作 bbox 回归和分类问题。在预测中，由一个网络完成 bbox预测 和 类别预测。

YOLO 的检测速度极快，每秒可处理45张图片（Titan X）。Fast YOLO（更小的YOLO）每秒可以处理155张照片。

代码：http://pjreddie.com/yolo/

1. 简介

R-CNN 首先在图片上计算产生很多潜在的 bbox，然后在这些潜在的 bbox 上运行分类器。在分类器后，后处理被使用去修正 bbox，消除重复的检测，根据场景中其它的object，对 bbox 进行重新打分。整个检测过程很慢、很难去优化，因为每一个部件需要单独进行训练。

YOLO 将目标检测看作一个回归问题，直接从图像的像素计算 bbox 和 类别概率。

下图是YOLO的架构图：

从图中可以看出，YOLO 使用单个卷积网络来预测 bbox 和 类别概率（simultaneously）。YOLO 在所有的图片上进行训练，直接优化检测性能。

YOLO相比传统检测算法，有以下几个优点：

• YOLO 非常快。
• YOLO 根据整张图片做出预测。不像sliding window 和 region proposal-based 技术，YOLO 训练和测试时将整张图片作为输入，这使得它可以对语境信息进行处理。Fast R-CNN 将背景误判为object，因为它不能感知图片的语境。YOLO对于背景误判的数量比Fast R-CNN少一半。
• YOLO 学习 object 的泛化的表示。YOLO 的性能比DPM、R_CNN高许多。因为 YOLO 的泛化性能很好，所以在应用于新的数据集时，性能不会有太大的下降。

YOLO 仍然落后于当前的 state of art 检测算法。虽然它能快速的识别图片中的 object，但是它很难精确定位一些 object，尤其是一些小物体。

YOLO 的训练和测试代码是开源的。并且作者开源了很多预训练好的模型。

2. 单步检测（同时检测位置和类别：Unifed Detection）

YOLO 将检测的定位和识别过程合二为一。YOLO 基于整张图片的特征来预测每一个 bbox。它能够同时预测所有类的 bbox。这意味着YOLO的预测是基于整张图片和图片中的所有目标的。同时，单步检测使得 YOLO 的检测速度非常快。

YOLO 将输入图像划分为 $S\times S$ 的网格。如果一个 object 的中心落入一个网格单元内，则该网络单元负责检测该 object。

每一个网格单元预测 $B$ 个 bbox 以及这些 bbox 的概率。这些概率反映该 box 包含 object 的概率，同时也反映预测 box 的概率。作者将这个概率定义为：${\text{Pr(Object)*IoU}}_{\text{pred}}^{\text{truth}}$。如果一个网格单元不包含 object，则该网格单元对应的概率为0。否则，我们我们令该网格单元的概率等于预测的 box 和 ground truth box 的 IoU。

每一个 bbox 包含5个预测：$x,y,w,h$ 和 confidence。$(x,y)$ 为 bbox 的中心网格单元。$w$ 和 $h$ 表示相对于整个网络的宽度和高度。最后，confidence 表示预测的 box 和 ground truth box 的 IoU。

每个网络单元还预测 $C$ 条件概率。$\text{Pr}({\text{Class}}_i|\text{Object})$。计算网格单元包含一个 object 的情况下各类的条件概率。无论boxes $B$ 的数量有多少，每一个网格单元只进行一次分类概率计算。

在测试时，YOLO 将 box 的概率和网格单元上的条件概率相乘， Pr ( Class i ∣ Object ) ∗ Pr ( Object ) ∗ IoU truth pred = Pr ( Class i ) ∗ IoU truth pred \text{Pr}(\text{Class}_{i}|\text{Object})*\text{Pr}(\te