中企动力员工邮箱忘记密码_品牌设计ppt案例_营销策划书格式及范文_百度推广一年要多少钱

YOLOv1

1 摘要
2 YOLO: You Only Look Once
- 2.1 如何工作
- 2.2 网络架构
- 2.3 训练
- 2.4 优缺点

YOLO系列博文：

【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
【第2篇：YOLO系列论文、代码和主要优缺点汇总】

———————————————————————————————————————————————

1 摘要

发表日期：2016年6月
作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
论文：You Only Look Once: Unified, Real-Time Object Detection
代码：https://pjreddie.com/darknet/yolo/
主要优缺点：
- YOLO的简单结构，加上其新颖的全图像单次回归，使其比现有的物体检测器快得多，允许实时性能。
- 然而，虽然YOLO的表现比任何物体检测器都快，但与最先进的方法如快速R-CNN相比，定位误差更大。造成这种限制的主要原因有三个：
  - 在网格单元中最多只能检测到两个相同类别的物体，限制了预测附近物体的能力；
  - 在预测训练数据中未见的长宽比物体时很吃力；
  - 由于下采样层，只能从粗略的物体特征中学习。

2 YOLO: You Only Look Once

YOLO是由Joseph Redmon等人提出的，发表于2016年的CVPR会议上，首次展示了一种针对物体检测的实时端到端方法。“YOLO”这个名字是“你只需要看一次”的缩写，意味着它能够通过网络的一次前向传递完成检测任务，这与之前的方法形成了鲜明的对比：早期方法要么使用滑动窗口后接分类器，对于每张图像需要运行数百乃至数千次；要么采用更先进的两步法，第一步检测可能包含物体的候选区域，第二步则对这些候选区域进行分类。此外，YOLO采用了基于回归的更为直接的输出方式来预测检测结果，而Fast R-CNN则使用了两个独立的输出——一个是用于概率估计的分类输出，另一个是用于框坐标预测的回归输出。

2.1 如何工作

YOLOv1通过同时检测所有的边界框，统一了物体检测步骤。为了实现这一目标，YOLO将输入图像划每个边界框的预测由五个值组成：Pc、bx、by、bh、bw ，其中Pc是bounding box的置信度分数，反映了模型对bbox包含物体的置信度以及bbox的精确程度。bx和by坐标是方框相对于网格单元的中心，bh和bw是方框相对于整个图像的高度和宽度。YOLO的输出是一个S×S×(B×5+C)的张量，可以选择用非最大抑制（NMS）来去除重复的检测结果。

在最初的YOLO论文中，作者使用了PASCAL VOC数据集，该数据集包含20个类别（C = 20）；一个7×7（S = 7）网格最多预测两个类（B = 2），输出7×7×30预测结果。

YOLOv1在PASCAL VOC数据集上达到了63.4的AP。

v1示意图

2.2 网络架构

YOLOv1架构包括24个卷积层，然后是两个全连接层，用于预测bbox坐标和概率。除了最后一个层使用线性激活函数外，所有层都使用了漏整流线性单元激活。受GoogLeNet和Network in Network的启发，YOLO使用1×1卷积层来减少特征图的数量并保持相对较低的参数数量。作者还介绍了一个更轻的模型，称为Fast YOLO，由九个卷积层组成。

下表描述了YOLOv1的架构。

v1架构

2.3 训练

作者使用ImageNet数据集在224x224的分辨率下对YOLO的前20层进行了预训练，然后用随机初始化的权重增加了最后四层，并在448x448的分辨率下用PASCAL VOC 2007和VOC 2012数据集对模型进行了微调，以增加细节，实现更准确的物体检测。对于增强，作者使用了最多为输入图像大小20%的随机缩放和平移，以及HSV色彩空间中上端系数为1.5的随机曝光和饱和度。

YOLOv1使用了一个由多个和平方误差组成的损失函数，如下图所示。在该损失函数中，λcoord = 5是一个比例因子，赋予边界框预测更多的重要性，而λnoobj = 0.5是一个比例因子，降低不包含物体的框的重要性。λnoobj = 0.5是一个比例因子，它降低了不包含物体的bbox的重要性。

loss解释

loss

2.4 优缺点

YOLO的简单结构，加上其新颖的全图像单次回归，使其比现有的物体检测器快得多，允许实时性能。
然而，虽然YOLO的表现比任何物体检测器都快，但与最先进的方法如快速R-CNN相比，定位误差更大。造成这种限制的主要原因有三个：

在网格单元中最多只能检测到两个相同类别的物体，限制了预测附近物体的能力；
在预测训练数据中未见的长宽比物体时很吃力；
由于下采样层，只能从粗略的物体特征中学习。