YOLOv1 解读：使用 unified system/ one-stage 实现目标检测

Title: You Only Look Once: Unified, Real-Time Object Detection(2016)
Link: Paper Website
Tips:

1. two-stage 和 one-stage 方法的区别：检测系统的目标是输出物体位置和类别，R-CNN 把位置和类别分成两个阶段，第二阶段使用了分类器；YOLO 用一个网络同时输出位置和类别，使用的是回归方法。
2. YOLO v1 的优缺点（1. Introduction 2.4 Limitations of YOLO）
3. YOLO v1 具体流程（2. Unified Detection）

Summary:

YOLO 的设计思想很好理解，全文也通俗易懂，读这篇论文我们首先要理解设计思想和方法，多阶段和单阶段检测的流程区别。

学习模型之间比较异同的方法以及模型结合的思想。

---

Abstract

之前的方法把检测当作分类问题，而这篇文章把检测当作回归问题。

这个单独的神经网络可以直接从完整图像中预测边界框和类的概率。

A single neural network predicts bounding boxes and class probabilities directly from full images in one evaluation

YOLO特点

• 速度快：基础的 YOLO 模型以每秒45帧的速度实时处理图像。
• 与 state-of-the-art 检测系统相比，YOLO 会产生更多的定位错误，但预测背景假阳性（FP）的可能性较小
• 学习的特征有普遍性：YOLO 学习非常普通的对象表示形式。 从自然图像推广到艺术品等其他领域时，它的性能优于其他检测方法（DPM 和 R-CNN）。

1. Introduction

研究现状
当时的检测系统都是把分类器用于检测，比如 DPM 和 R-CNN。

比如 DPM 之类的系统使用滑动窗口方法，分类器在整个图像上均匀分布的位置运行。而 R-CNN 系统分为两个阶段（two-stage），第一步用 region proposal 方法在图像上生成潜在的边界框（这些地方可能包含物体），第二步分类器在这些边界框的位置进行分类。

这种流水线式的网络运行慢也难以优化，因为不同的组件必须单独训练。

新思路
把检测问题当作一个单独的回归问题（one-stage + regression）：输入一幅图片，经过一个网络，直接输出边界框的坐标和类别概率。使用这样的网络，你只需要看一次图片（you only look once: YOLO）就能知道物体的位置和类别。

图 1 展示的就是 YOLO 检测系统：输入一个图片，一个卷积网络同时预测多个物体的位置和类别。

A single convolutional network simultaneously predicts multiple bounding boxes and class probabilities for those boxes

YOLO 优点

1. 快。因为回归问题没有复杂的流程（pipeline）。
2. 可以基于整幅图像预测（看全貌而不是只看部分）。与基于滑动窗口和区域提议的技术不同，YOLO在训练和测试期间会看到整个图像，因此它隐式地编码有关类及其外观的上下文信息。因为能看到图像全貌，与 Fast R-CNN 相比，YOLO 预测背景出错的次数少了一半。
3. 学习到物体的通用表示（generalizable representations），泛化能力好。因此，当训练集和测试集类型不同时，YOLO 的表现比 DPM 和 R-CNN 好得多，应用于新领域也很少出现崩溃的情况。

YOLO 缺点
与 state-of-the-art 检测系统相比：

1. 准确率低；
2. 很多时候只有小物体的预测精确些。

2. Unified Detection

设计思想
用一个神经网络把检测任务中分离的元素统一（unify）起来，也就是同时预测位置和类别。

从整幅图像提取特征，也就是网络可以考虑到图片全貌以及每个物体。

这种设计利于端到端（end-to-end）的训练以及提升速度。

具体方法

1. 将输入图像划分为 S×S（文中 S=7）网格（grid），如果目标的中心落入网格单元，则该网格单元负责检测该目标。
2. 每个网格单元预测 B（文中 B=2） 个边界框和这些框的置信度得分。这个分数反映这个框包含物体的概率 Pr(Object) 以及预测框的位置准确性 IOU，所以置信分数也由这两部分定义：
3. 每个 bounding box 都要包含 5 个预测值，x, y, w, h, confidence。（x,y）框中心是相对于网格单元的坐标，w 和 h 是框相当于整幅图的宽和高，confidence 代表该框于 ground truth 之间的 IOU（框里没有物体分数直接为 0 ）。
4. 设计思想说了，位置和类别同时预测，所以每个单元格除了输出 bounding box 也输出物体的条件概率（该物体属于某一类的概率，当然这些概率以包含对象的网格单元为条件）。每个网格单元输出一个概率集合，不考虑预测几个 bounding box。
5. 测试阶段，在测试时，我们将条件分类概率与各个框的置信度预测相乘，作为每个框特定于每个类的置信分数（这个分数编码了类别和位置两部分信息）。
   
   

2.1. Network Design

这一部分主要讲输入到输出中间的 CNN。这个网络受 GoogLeNet 启发，采取了类似的结构。

2.2. Training

这一部分讲训练过程和实验设置（具体的需要看论文）。

首先 ImageNet 1000类 竞赛数据集上对卷积层进行预训练，然后再把网络用于检测任务。

网络的最后一层同时输出类别概率和边界框坐标，这里做了一些正则化处理。bounding box 的宽高除以图像的宽高，横纵坐标也参数化为相对于网格单元的偏移量，所以 w,h,x,y都限制在（0,1）。

所有层使用的激活函数为 Leaky ReLU。

计算损失采用的是平方和损失（sum-squared error）。

在训练时，只希望一个边界框预测变量对一个对象负责，这通过保证最高的 IOU 实现。

为了避免过拟合，使用了 dropout + data augmentation。

2.3. Inference

就像在训练中一样，预测测试图像的检测仅需要进行一次网络评估。 在 PASCAL VOC 上，网络可以预测每个图像 98 （7×7×2）个边界框以及每个框的类别概率。

一般一个物体属于一个网格单元，网络能为每个物体预测一个框，但对于一些大物体或靠近单元格边界的物体，需要采取非极大抑制（Non-maximal suppression）辅助。

2.4. Limitations of YOLO

1. 空间限制：一个单元格只能预测两个框和一个类别，这种空间约束必然会限制预测的数量；
2. 难扩展：模型根据数据预测边界框，很难将其推广到具有新的或不同寻常的宽高比或配置的对象。
3. 网络损失不具体：无论边界框的大小都用损失函数近似为检测性能，但对于大边界框来说，小损失影响不大，对于小边界框，小错误对 IOU 影响较大。

3. Comparison to Other Detection Systems

检测系统一般的流程都是先提取图形特征（Haar, SIFT, HOG, convolutional features），再用classifiers 和 localizers 分类和定位，下面比较 YOLO 与已有方法的异同（有点儿像 Related Work）。

Deformable parts models(DPM)
DPM 采取滑动窗口方法用于检测，用一个不相交的流程实现提取静态特征，区域分类，预测边界框。

YOLO 把特征提取，分类，定位任务以及非极大抑制（non-maximal suppression）和上下文推理（contextual reasoning）结合起来同时实现，特征不是静态的而是在线动态优化生成的，比 DPM 更快准确度更高。

R-CNN
R-CNN 及其变体采用 region proposals 而不是滑动窗口法找物体，是一种多阶段方法。Selective
Search 找可能的边界框，CNN 提取特征，SVM 为 box 预测分数。调网络的时候需要分开调，运行慢。

YOLO 与 R-CNN 相似的地方是在网格单元找可能的边界框，用 CNN 提取特征。不同的是，加在网格单元的空间限制有助于防止同一个目标的重复检测，预测的边界框也少（98 个），还有把多个部分结合成一个阶段。

Other Fast Detectors
Fast 和 Faster R-CNN 通过共享计算和 CNN 生成区域（代替 R-CNN 的 Selective Search）来加速 R-CNN，也有一些加速 DPM 的方法（例如级联，用 GPU），但他们的速度相对较慢。

与这些优化单个组件的方法不同，YOLO 把流程中各部分合在一起优化。

Deep MultiBox
Deep MultiBox 使用 CNN 预测 RoI（ R-CNN 使用 Selective Search）。

Multi-Box无法执行常规的对象检测，并且仍然只是较大检测流水线中的一部分，需要进一步的图像块分类。 YOLO 和 MultiBox 都使用卷积网络来预测图像中的边界框，但是 YOLO 是一个完整的检测系统。

OverFeat
OverFeat 使用滑动窗口法检测，是一个不连贯的检测系统（需要先分类再定位），优化也只能针对定位任务优化，和 DPM 一样，它只能根据图像的局部信息预测。

OverFeat 无法根据全局上下文推理，因此需要进行大量后期处理才能产生连贯的检测结果。

MultiGrasp
YOLO 的网格方法用于边界框预测基于MultiGrasp 系统，但 grasp detection 是个更简单的任务。它只需要为一幅图像的一个物体预测一个合适的区域，不用考虑尺寸，边界类别等。

4. Experiments

实验分析以及看模型的泛化能力。

4.1. Comparison to Other Real-Time Systems

比较快速检测器的性能和速度。 Fast YOLO是有记录的用于PASCAL VOC检测的最快的检测器，仍然是任何其他实时检测器的两倍。 YOLO比快速版本的精度高10 mAP，但速度仍远远高于实时水平。

4.2. VOC 2007 Error Analysis

分析 YOLO 和 Fast R-CNN 错误预测的分析。 从图 4 可以看出，YOLO 出错的地方主要是定位（localization）,而 Fast R-CNN 出错的地方主要是背景检测。

4.3. Combining Fast R-CNN and YOLO

与Fast R-CNN相比，YOLO 产生的背景错误少得多。 通过使用 YOLO 消除 Fast R-CNN 的背景检测，可以显着提高性能。 对于 R-CNN 预测的每个边界框，我们都会检查 YOLO 是否预测了类似的框。 如果是这样，我们将根据 YOLO 预测的概率和两个框之间的重叠来对该预测进行增强。

从表 3 可以看出，把两者结合可以提高 mAP，但这种结合不利于 YOLO 的速度。

4.4. VOC 2012 Results

4.5. Generalizability: Person Detection in Artwork

图 5 展示 YOLO 和其他检测方法之间的泛化能力。

5. Real-Time Detection In The Wild

我们将YOLO连接到网络摄像头，并验证其是否保持实时性能。最终的系统是交互式的并且引人入胜。 虽然 YOLO 分别处理图像，但将其附加到网络摄像头后，它可以用作跟踪系统，在物体移动和外观变化时对其进行检测。

可以到网站看相关 demo。

6. Conclusion

本文提出了检测领域的一个新的联合模型 YOLO，它的结构简单，能直接处理整幅图像。

与基于分类器的方法不同，YOLO在直接与检测性能相对应的损失函数上进行训练，而整个模型则在联合下进行训练。

Fast YOLO 是文献中最快的通用目标检测器，YOLO推动了实时目标检测的最新发展。 YOLO 还很好地推广到了新领域，使其非常适合依赖快速，强大的对象检测的应用程序