谁人不识YOLOv1？

如需讲解视频，请关注个人我的微信公众号：小纸屑

麻烦你们给我点个赞，就是那种让我看起来，写的还不错的样子!😁😁😁😁😁

YOLOv1是继Faster R-CNN后，第一个one stage物体检测算法，开创了物体检测算法一个全新流派，自YOLOv1后，物体检测基本分为one stage和two stage两个流派。

下图是YOLO在整个物体检测算法历史上的坐标。

背景

能够看出，YOLOv1是在Faster R-CNN以后提出的，但查看首次上传arXiv的时间可知（见下图），YOLOv1和Faster R-CNN基本是同时提出的，所以YOLO做者动笔之时，Fast R-CNN是SOTA(state of the art)，Faster R-CNN还没有出世，所以YOLO做者的主要对比对象是Fast R-CNN。固然，做者后续仍是补充了与Faster R-CNN的对比结果作参考。

下面简单分析下Fast R-CNN的原理。

Fast R-CNN主要由四部分组成（以下图），首先是共用的Feature Extractor，而后是传统的Region Proposal算法，有了共用的Extracted Feature Map和ROI（Region Of Interest）后，将Extracted Feature Map上对应ROI部分截取出来，通过ROI Pooling，转成分辨率固定的Feature Map，输入到物体检测部分，以回归物体类别和bounding box，完成整个物体检测流程。

因为Fast R-CNN分为Extract Feature和Region Proposal两个过程，所以是two stage的，这致使了Fast R-CNN的经常准确度高，但速度作不到实时性。

YOLO的提出就是解决Fast R-CNN的缺点，将two stage合成为一个stage，从而达到实时性。

Idea

具体YOLO是如何将two stage合成为一个stage的呢？

1）首先，将输入图片划分为7x7的网格

2）而后，每个网格cell输出两个bounding box的预测和一个共享的类别预测。以下图。 每个bounding box的预测包含五个值C,x,y,w,h，其中C表示预测框的置信度，x,y,w,h表示预测框的位置和尺寸，p_ci表示预测框属于类别ci的几率。

能够看出，一个cell预测两个框，但输出的时候只能输出一个预测结果，通常取置信度C值大的那个预测框做为这个cell的预测结果，框的类别取p_ci最大的类别。 3）既然一个cell有两个预测框，那每一个预测框的Ground Truth怎么计算呢？ 首先，一个Ground Truth框分配给其center所在的cell，以下图，自行车的绿色Ground Truth框分配给粉色的cell，

其次，在一个cell内部，Ground Truth会分配给与其IOU最大的predictor，以下图，粉色cell中的两个预测框是红色框，绿色GT框会分配给宽矮的红色预测框。

有了输出，有了GT，再设计设计网络结构，即输入到输出的映射，就能够利用梯度降低进行训练了。

Network

下图是简化版的网络结构，

下图是详细的网络结构，

能够看出，图片先经由一个做者设计的24层的Feature Extractor，提取特征，而后再通过两个全链接层，就获得最后7x7x30的输出。

须要注意的是，这个7x7的输出的意义就是做者说的将网格划分为7x7的网格。

Loss

Loss主要分为三个部分，位置损失、置信度损失和类别损失。

上式中，SxS是输出结果的分辨率，也是cell的个数，B是一个cell中的预测框的个数，两个sigma意思是遍历全部cell的全部box求和，lambda是损失权重，1函数是指示函数，条件为真时取1，为假时取0。

1）位置损失

这里首要的是弄清楚给定一个predictor，其预测的x，y，w，h的含义，红色框住的是对应的标签。 x，y的含义是预测框的中心点相对cell左上角的相对坐标，其值在0~1之间。 w，h的含义是预测框的宽度与图片宽度的比值，预测框的高度与图片高度的比值，其值也在0~1之间。 也即predictor预测的x，y，w，h都是归一化后的的相对值，如下图为例，红色框是绿色GT框的预测框，则 预测的x=X/64，y=Y/64，w=W/448，h=H/448。 预测框x，y，w，h对应的标签也是相同的计算方法。

2）置信度损失

Ci预测的是Pr(object)*IOU，综合反映了预测框有object的几率和预测框与truth的IOU大小。 因此对于一个cell的C_i的标签的计算方法是：

3）类别损失

预测的p_ci是条件几率，即Object已知的状况下，Class_i的几率，若是GT的类别是ci，则p_ci的标签是1，其余p_ci的标签为0。

Training

YOLO模型训练采用了如下技巧： 1）数据加强 包括随机缩放，随机截取，随机调整曝光度和饱和度 2）dropout 估计是全链接层，使用了dropout，dropout rate取0.5 3）优化器 采用momentum优化器，超参数beta取0.9 4）weight decay 采用了权重衰减，系数为0.0005 5）batch size为64 6）learning rate

总共训练136个epoch，第一个epoch，学习率稳定从0.001升至0.01，接着保持0.01的学习率学习75个epoch，而后将学习率降至0.001训练30个epoch，再将学习率降至0.0001训练30个epoch。

Experiments

学习效果如上表，能够看到YOLO的速度成碾压态势，而准确率依然很高。

Error Analysis

做者还对YOLO进行了偏差分析，对比了Fast R-CNN与YOLO的偏差来源。 首先做者将识别结果分为五类：

1. 正确分类：类别正确，IOU>0.5
2. 位置错误：类别正确，0.1<IOU<0.5
3. 近似错误：类别识别为近似类别，IOU>0.1
4. 其余错误：类别错误，IOU>0.1
5. 背景错误：IOU<0.1

Fast R-CNN与YOLO的偏差组成以下图：

能够看出，Fast R-CNN以背景错误为主，YOLO以位置错误为主。

结论

YOLO开创性的提出了一步式算法，作到了实时检测和高准确率。