01YOLO發(fā)展史

大家或許知道，首字母縮寫(xiě)YOLO在英文語(yǔ)境下較為流行的含義，即You Only Live Once，你只能活一次。我們今天要介紹的YOLO卻有著與前者不一樣的含義。在算法的世界中，YOLO寓意You Only Look Once，你只需要看一眼——這不失為一種來(lái)自開(kāi)發(fā)者的羅曼蒂克。

在講解YOLO的算法原理之前，先簡(jiǎn)要介紹YOLO的發(fā)展史。YOLO開(kāi)創(chuàng)了一階段檢測(cè)算法的先河。它將目標(biāo)分類和定位用一個(gè)神經(jīng)網(wǎng)絡(luò)統(tǒng)一起來(lái)，實(shí)現(xiàn)了端到端的目標(biāo)檢測(cè)。

YOLO檢測(cè)系統(tǒng)

YOLO最初于2016年由華盛頓大學(xué)的博士研究生Joseph Redmon提出。Joseph Redmon的這篇提出YOLO的論文You Only Look Once: Unified, Real-Time Object Detection也發(fā)表在了CVPR 2016上，并獲得了CVPR 2016的最佳人氣獎(jiǎng)。自此，Joseph Redmon開(kāi)始不斷推出YOLO的新版本，YOLO也在不斷的迭代中越來(lái)越強(qiáng)。

2017年，Joseph Redmon與導(dǎo)師合著發(fā)表了論文YOLO9000: Better, Faster, Stronger，這篇論文也標(biāo)志著YOLO v2的誕生。該論文獲得了CVPR 2017最佳論文榮譽(yù)提名獎(jiǎng)。YOLO v2能夠檢測(cè)9000中不同的對(duì)象，因此也被稱為YOLO9000。

2018年，Joseph Redmon又提出了YOLO新版本YOLO v3，這一版本的YOLO在保持原有算法的速度優(yōu)勢(shì)的同時(shí)，提升了模型的精度，補(bǔ)齊了小目標(biāo)檢測(cè)以及重疊遮擋目標(biāo)識(shí)別的短板。雖然，Joseph Redmon在2020年出于個(gè)人對(duì)職業(yè)倫理恪守的原因終止了CV研究，但之后便出現(xiàn)新的YOLO維護(hù)者繼續(xù)接手YOLO的進(jìn)一步研發(fā)項(xiàng)目。

02YOLO算法原理

YOLO的核心理念是：把目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)換為直接從圖像中提取邊界框和類別概率的單回歸問(wèn)題，即一次就可檢測(cè)出目標(biāo)的類別和位置。正因如此，YOLO模型的運(yùn)行速度非?？?，從而可以滿足實(shí)時(shí)性應(yīng)用要求。

YOLO模型做統(tǒng)一檢測(cè)（unified detection）的流程為：

YOLO模型

首先，把輸入圖像分成S×S個(gè)小格子。每個(gè)格子預(yù)測(cè)N個(gè)邊界框，每個(gè)邊界框用五個(gè)預(yù)測(cè)值表示：x，y，w，h和confidence（置信度）。其中，(x,y)是邊界框的中心坐標(biāo)，w和h是邊界框的寬度和高度，這四個(gè)值都被歸一化到[0,1]區(qū)間以便于訓(xùn)練。

置信度會(huì)對(duì)當(dāng)前邊界框中存在目標(biāo)的可能性Pr(Object)以及預(yù)測(cè)框與真實(shí)框的交并比進(jìn)行綜合考慮，即

其中

根據(jù)以上定義，若一個(gè)框內(nèi)沒(méi)有物體，則confidence = 0，反之則confidence等于交并比。我們?cè)谟?xùn)練時(shí)可以計(jì)算出每一個(gè)框的置信度。

其次，我們要預(yù)測(cè)每個(gè)格子分別屬于每種目標(biāo)類別的條件概率(｜)，其中 = 0,1,…,C，其中C是數(shù)據(jù)集中目標(biāo)類別的數(shù)量。

在測(cè)試時(shí)，屬于某個(gè)格子的N個(gè)邊界框共享C個(gè)類別的條件概率，則每個(gè)邊界框?qū)儆谀硞€(gè)目標(biāo)類別的置信度（類別置信度）為

最后，我們會(huì)輸出一個(gè)維度為S×S×(N×5+C) 的張量（tensor）。在此需要提示的是，5代表的是在第一步中對(duì)應(yīng)的五個(gè)預(yù)測(cè)值，且因?yàn)槊總€(gè)格子的N個(gè)邊界框是共享C個(gè)類別的條件概率的，因此在張量維度大小的計(jì)算公式中，我們?cè)贜×5與C之間采用的運(yùn)算是加法而非乘法。

YOLO使用PASCALVOC檢測(cè)數(shù)據(jù)集。YOLO將圖像分為7×7=49個(gè)小格子，其中，每個(gè)格子里有兩個(gè)邊界框，即S=7，N=2。因?yàn)閂OC數(shù)據(jù)集中有20種類別，因此C=20。最終的預(yù)測(cè)結(jié)果是一個(gè)7×7×30的張量。

YOLO借鑒了GoogLeNet的設(shè)計(jì)思想，其網(wǎng)絡(luò)結(jié)構(gòu)中包括24個(gè)卷積層和2個(gè)全連接層。YOLO沒(méi)有使用Inception模塊，而是直接用1×1卷積層及隨后的3×3卷積層。YOLO的最終輸出是7×7×30的張量。

YOLO網(wǎng)絡(luò)結(jié)構(gòu)

需要強(qiáng)調(diào)的是，上圖中出現(xiàn)在數(shù)字右下角的“-s-2”的下標(biāo)代表該卷積層或池化層的stride（步距）為2。

此外，YOLO使用Leaky ReLU作為激活函數(shù)，即

總言之，YOLO算法通過(guò)把“統(tǒng)一檢測(cè)候選框與類別概率”的思想和 “用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)”的操作結(jié)合，從而開(kāi)創(chuàng)了一階段目標(biāo)檢測(cè)算法。

03YOLO算法的閃光點(diǎn)與局限性

相對(duì)于傳統(tǒng)目標(biāo)檢測(cè)算法而言, 使用統(tǒng)一檢測(cè)模型的YOLO的閃光點(diǎn)在于：

其一，檢測(cè)速度非常快。YOLO將目標(biāo)檢測(cè)重建為單一回歸問(wèn)題從而對(duì)輸入圖像直接處理。此外，還同時(shí)輸出邊界框坐標(biāo)和分類概率，而且每張圖像只預(yù)測(cè)98個(gè)邊界框。因此，YOLO的檢測(cè)速度非常快。其中，YOLO在Titan X GPU上的檢測(cè)速度能達(dá)到45幀/秒，F(xiàn)ast YOLO的檢測(cè)速度則可以達(dá)到155幀/秒。

其二，背景誤判少。以往基于滑動(dòng)窗口或候選區(qū)域提取的目標(biāo)檢測(cè)算法只能看到圖像的局部信息，因此會(huì)把圖像背景誤認(rèn)為檢測(cè)目標(biāo)。而YOLO在訓(xùn)練和測(cè)試時(shí)每個(gè)格子都可以看到全局信息，因此不容易把圖像背景預(yù)測(cè)為目標(biāo)。

其三，泛化性更好。YOLO能夠?qū)W習(xí)到目標(biāo)的泛化表示，從而能夠遷移到其他領(lǐng)域。在泛化能力上，YOLO的性能遠(yuǎn)優(yōu)于DPM、R-CNN等。

但除了以上閃光點(diǎn)外，YOLO也存在著局限性。雖然YOLO的目標(biāo)檢測(cè)速度很快，但其預(yù)測(cè)精度不是很高。究其原因，主要是由于——

其一，YOLO的每個(gè)格子只能預(yù)測(cè)兩個(gè)邊界框和一種目標(biāo)的分類。YOLO將一張圖像均分為49個(gè)格子，若在同一單元格內(nèi)存在多個(gè)物體的中心，那么該單元格內(nèi)只能預(yù)測(cè)出一個(gè)類別的物體，并丟掉其他的物體，從而降低了預(yù)測(cè)精度。

其二，損失函數(shù)的設(shè)計(jì)過(guò)于簡(jiǎn)單。雖然邊界框的坐標(biāo)和分類表征的內(nèi)容不同，但YOLO都用其均方誤差作為損失函數(shù)。

其三，YOLO直接預(yù)測(cè)邊界框的坐標(biāo)位置，這會(huì)導(dǎo)致模型不易訓(xùn)練。

不過(guò)，以上在YOLO原版中出現(xiàn)的問(wèn)題在后來(lái)的YOLO v2、YOLO v3等版本中都逐步得到了改進(jìn)。

來(lái)源：新機(jī)器視覺(jué)

審核編輯：湯梓紅