论文阅读: YOLOv1

Introduction

YOLOv1是one-stage detection鼻祖、real-time detection鼻祖。

所谓one-stage，即不需额外一个stage来生成RP，而是直接分类回归出output：
这里写图片描述

YOLOv1直接将整张图片分成 $S\times S$ 的小格子区域，每个区域生成 $B$ 个bbox（论文中 $B=2$ ），每个bbox去预测中心点落在该格的物体。但是每个格子生成的所有 $B$ 个bbox共享一个score：
这里写图片描述

因此，YOLOv1最后一层的输出是一个 $S\times S \times (B * 5 + C)$ 的 tensor 。
其中， $S$ 为每维的格子段数， $B$ 为每格生成的bbox数， $C$ 为前景类别数。

$YOLOv1 = 24\times Conv + 2\times FC$ ：
这里写图片描述

Note：

经过权衡利弊，YOLOv1采用了山寨版的GoogleNet作为basemodel，而非VGG；
在第24层时，每个单点对应原图的感受野达到了 $782\times 782$ 。而原图只有 $448\times 448$ ，覆盖了整张原图。也就意味着，到了第24层的时候，每个单点都能看到整张原图。更不要提第25、26层是两个fc操作了。
另外， $Fast\ YOLOv1 = 9\times Conv + 2\times FC$ 。速度更快，但精度也略低。

one-stage detecton鼻祖、real-time detection鼻祖，里程碑级的贡献。
从image pixel直达bbox cordinate和class probability。
设计得很有新意，直接输出每个bbox的cls和det结果（同一条向量上），并把分为前景的bbox向量条打到图上。
每个grid只负责一个物体。这样自然将候选框数量大幅砍削到了 $S\times S\times B$ 。有效缓解了类别不平衡，却也放弃了对每个ground truth框的大量试错机会。

YOLOv1最大的优点就是“快”，“灰常快”。YOLOv1的检测速度为 45 fps ；Fast YOLOv1甚至达到了 155 fps ：
这里写图片描述

不过作者自己也承认，精度方面还是和two-stage系中的state-of-the-art水平是有差距的：
这里写图片描述

但是，虽然整体检测精度（mAP）不如你Fast R-CNN，但是我对背景的检测精度比你高了一倍多啊：
这里写图片描述
然而这么比就有点不公平了。YOLOv1只生成少量候选框的机制，决定了遇到的背景框数量远少于Fast R-CNN，因此受到类别不平衡问题的影响更小，自然对背景框的检测精度就高啦。

Fast R-CNN + YOLOv1 的效果还比纯粹的Fast R-CNN高了2.3个点：
这里写图片描述

在各种实验的过程中，作者还惊喜地发现，YOLOv1在艺术图片上的泛化性能也是一大亮点：
这里写图片描述

这里写图片描述

以下第一排就是各种艺术画：
这里写图片描述

拿艺术画的检测结果demo并放入论文中的做法，也是很有新意。

每个grid只负责一个物体。非常简单粗暴，这明显是对实际场景数据的观察得到的结果。
因为数据集中的大部分图片都是常规图片，分布有秩，大小合理。因此YOLOv1对于大部分常规图片检测是高效可行的。
但是小部分非常规图片（两个以上物体的中心位置落入同一个grid），直接就把YOLOv1的mAP值给拉低了。
同时，由于YOLOv1只针对最后7x7的特征图进行分析，使得它对小目标的检测效果不佳。
YOLOv1在鱼 (检测速度) 与熊掌 (检测精度) 中选择了短平快的方式，突破two-stage的格局限制，创造出one-stage。虽然离最高mAP还略有差距，但是速度的暴涨，让real-time detection成为现实。这一点，YOLOv1功在千秋。
YOLOv1由于精度太差，而空有那么高的检测速度。因此在实际落地中，基本不用YOLOv1。甚至连对实时性要求极高的自动驾驶，也是使用的FPN(+Faster R-CNN)。