YOLOv1(You Only Look Once: Unified, Real-Time Object Detection)阅读笔记

文章目录

• YOLOv1(You Only Look Once: Unified, Real-Time Object Detection)阅读笔记
• 1. Abstract
• 2. Introduction
• 3. Unified Detection
• 训练的时候
• 测试的时候
• 网络设计
• 训练
• 预测
• 不足
• 3. 和别的检测算法比较
• 4. 实验
• 5. 野外实时检测
• 6. 总结
• 7.论文参考(带笔记)

YOLOv1(You Only Look Once: Unified, Real-Time Object Detection)阅读笔记

1. Abstract

1. 一个网络可以预测边框和类别的概率，做到了end-to-end
2. 速度非常快，能做到45 fps(frams per second).
3. 可以学到更普遍的物体特征，不过个人感觉没啥用。速度快也意味着精度下降。

2. Introduction

1. YOLO的流程非常简单:

   1. 将图片resize到448x448
   2. 用一个神经网络训练
   3. 通过Non-max suppression

2. YOLO的三个优点：

   1. 速度快，在Titan X上跑达到45fps，小版本的更快
   2. YOLO能够看到整张图片，不像R-CNN只是提取部分区域。在背景检测方面YOLO比区域提取算法更好。
   3. YOLO在泛化方面做得更好，面对不是训练数据的分布时，更强。

3. Unified Detection

训练的时候

1. 把输入的图片分成SxS个格子(grid)。如果一个物体的中心落在这个格子，那么这个格子就负责检测这个物体。
2. 每个格子预测B个边框，同时给每个边框带上置信分数(confidence scores)。置信分数反映了边框含有预测物体的可能性大小，以及这个预测的边框的准确度。通常，这个置信度(confident)定义为：
   $Pr(Object) * IOU^{truth}_{pred}$Pr(Object)∗IOUpredtruth​。
   也就是这个格子的分类概率乘于IOU。
3. 每个预测出来的边框包含5个值：$x, y, w, h, confidence$x,y,w,h,confidence.其中$(x,y)$(x,y)代表边框的中心点，$x,y$x,y的坐标是相对一个格子而言的；$(w,h)$(w,h)代表边框的宽和高，注意这里是相对整张图片而言的；最后confidence代表预测边框和真实边框的的IOU。个人觉得这里论文讲得有点矛盾，前面说confidence是$Pr(Object) * IOU^{truth}_{pred}$Pr(Object)∗IOUpredtruth​，现在又这样说。
4. 每个格子单元同时预测C个类别的概率，也就是后验概率$Pr(Class_i|Object)$Pr(Classi​∣Object),要注意的是，有多少类我们就预测多少个类别，不管有多少个边框B。这里的意思是，如果我们做10个类别的目标检测，那么就预测出10个类别的后验概率。

测试的时候

1. 测试时，将每个预测类别的条件概率乘于每个边框的置信度：
   $Pr(Class_i|Object) * Pr(Object) * IOU^{truth}_{pred} = Pr(Class_i) * IOU^{truth}_{pred}$Pr(Classi​∣Object)∗Pr(Object)∗IOUpredtruth​=Pr(Classi​)∗IOUpredtruth​,
   这样就可以得出每个类别对应的边框的分数了。到这里作者就统一了，也就是置信度(confidence)是等于
   $Pr(Object) * IOU^{truth}_{pred}$Pr(Object)∗IOUpredtruth​。
   这是论文给的图片：
   

网络设计

1. 24层卷积层，最后两层是全连接层，和GoogLeNet很像，但是卷积核只用1x1的和3x3
   的。另外还有一个快速版的YOLO，卷积层只有9层。

训练

1. 预训练：用前20层去预训练
2. 检测任务通常需要细粒度(fine-grained)的图像信息，因此增加图片的分辨率到448x448，原来是224x224
3. 为了归一化，所以将边框的w和h设置为相对整张图片的宽和高，这样w和h的值就能落到(0,1)了；同理将边框的x和y设置为相对格子单元也是为了归一化。
4. 最后一层没用**函数，其他的都用了Leaky rectified lineage activation:
   $\phi(x) = \begin{cases} x, & \text {if $x$ > 0}, \\0.1x, & \text {otherwise} \end{cases}$ϕ(x)={x,0.1x,​if x > 0,otherwise​
5. loss function 如下：
   
   具体训练参数还是到论文细看。

预测

1. 预测的时候，在PASCAL VOC数据集上，每张图片预测了98个框，每个框都有相应类别的概率。

不足

1. 检测小物体效果不好
2. （这个不足看不懂）
3. 对大框的错误和小框的错误同等对待，然而小框出错对IOU影响很大。

3. 和别的检测算法比较

1. 总的来说就如下：比YOLO准确率高的没YOLO快，比YOLO快的没它的准确率高。

4. 实验

1. 主要是和Fast R-CNN比较。
2. 在艺术作品上的检测效果非常好，其他的检测算法效果与YOLO相比都相差甚远。

5. 野外实时检测

1. https://pjreddie.com/darknet/yolo/ 这个网址有视频样例，看起来挺厉害的。

6. 总结

实时性很厉害，YOLO的实现还用了自己的框架，名字叫darknet,真的是厉害啊。有机会看看用pytorch或tensorflow实现的源码。

7.论文参考(带笔记)

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