原創(chuàng) | 文 BFT機(jī)器人

01
摘要

YOLO是一種新的目標(biāo)檢測(cè)方法，與以前的方法不同之處在于它將目標(biāo)檢測(cè)問(wèn)題視為回歸問(wèn)題，同時(shí)預(yù)測(cè)邊界框和類(lèi)別概率。這一方法使用單個(gè)神經(jīng)網(wǎng)絡(luò)，可以從完整圖像中直接預(yù)測(cè)目標(biāo)邊界框和類(lèi)別概率，實(shí)現(xiàn)端到端的性能優(yōu)化。

YOLO的速度非?？欤灸Ｐ兔棵肟梢蕴幚?5幀圖像，而快速版本每秒可處理155幀，同時(shí)仍然具有很高的準(zhǔn)確率。雖然在定位方面可能會(huì)產(chǎn)生一些誤差，但不太可能出現(xiàn)背景誤報(bào)。它能夠?qū)W習(xí)通用的目標(biāo)表示，不僅在自然圖像中表現(xiàn)出色，還在其他領(lǐng)域（如藝術(shù)品）中表現(xiàn)優(yōu)于其他檢測(cè)方法，包括DPM和R-CNN。

02
介紹

將目標(biāo)檢測(cè)重新定義為一個(gè)單一的回歸問(wèn)題，直接從圖像像素到邊界框坐標(biāo)和類(lèi)概率。這種系統(tǒng)被稱(chēng)為YOLO（You Only Look Once），它允許在一次圖像觀察中實(shí)時(shí)預(yù)測(cè)存在的物體以及它們的位置。

YOLO的核心思想是使用一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，同時(shí)預(yù)測(cè)多個(gè)邊界框和它們的類(lèi)別概率，如圖一。與傳統(tǒng)方法相比，YOLO有三個(gè)主要優(yōu)點(diǎn)：

速度快：由于將檢測(cè)視為回歸問(wèn)題，不需要復(fù)雜的處理管道。YOLO的基本網(wǎng)絡(luò)以每秒45幀的速度運(yùn)行，快速版本更快，超過(guò)150fps。這意味著可以實(shí)時(shí)處理流媒體視頻，延遲低于25毫秒，并且精度優(yōu)于其他實(shí)時(shí)系統(tǒng)。

全局推理：YOLO在進(jìn)行預(yù)測(cè)時(shí)可以看到整個(gè)圖像，而不像其他方法使用滑動(dòng)窗口或區(qū)域提議。這使得它能夠隱式地編碼關(guān)于物體及其外觀的上下文信息，減少了背景誤報(bào)。與其他方法相比，YOLO的邊界框數(shù)量較少。

通用性：YOLO能夠?qū)W習(xí)通用的目標(biāo)表示，表現(xiàn)出色不僅在自然圖像中，在其他領(lǐng)域（如藝術(shù)品）的測(cè)試中也表現(xiàn)出色，超過(guò)了其他頂級(jí)檢測(cè)方法，如DPM和R-CNN。

然而，盡管速度快且通用性強(qiáng)，YOLO在精確度方面仍然落后于一些最先進(jìn)的目標(biāo)檢測(cè)系統(tǒng)，特別是在精確定位小物體方面存在挑戰(zhàn)。研究進(jìn)一步探討了這些權(quán)衡和挑戰(zhàn)。

03

統(tǒng)一檢查

核心思想和工作原理

統(tǒng)一神經(jīng)網(wǎng)絡(luò)模型：YOLO將目標(biāo)檢測(cè)的獨(dú)立組件整合到一個(gè)單一的神經(jīng)網(wǎng)絡(luò)中，該網(wǎng)絡(luò)利用整個(gè)圖像的特征來(lái)預(yù)測(cè)每個(gè)邊界框，同時(shí)可以同時(shí)預(yù)測(cè)圖像中所有類(lèi)別的邊界框。這使得網(wǎng)絡(luò)能夠進(jìn)行全局推理，同時(shí)處理整個(gè)圖像和所有對(duì)象。

端到端訓(xùn)練和實(shí)時(shí)速度：YOLO的設(shè)計(jì)旨在實(shí)現(xiàn)端到端的訓(xùn)練，同時(shí)保持實(shí)時(shí)處理速度，并且能夠保持高平均精度。

S×S網(wǎng)格劃分：輸入圖像被分成S×S網(wǎng)格單元，其中每個(gè)網(wǎng)格單元負(fù)責(zé)檢測(cè)其中心位于該單元的物體。

每個(gè)網(wǎng)格單元的預(yù)測(cè)：每個(gè)網(wǎng)格單元預(yù)測(cè)了B個(gè)邊界框和這些邊界框的置信度得分，該得分反映了模型對(duì)于盒子內(nèi)是否有物體的自信程度以及預(yù)測(cè)的準(zhǔn)確度。置信度分?jǐn)?shù)定義為Pr(Object) * IOU_truth_pred，如果單元格中沒(méi)有對(duì)象，則置信度分?jǐn)?shù)為零。

邊界框預(yù)測(cè)：每個(gè)邊界框由五個(gè)預(yù)測(cè)組成，包括?(x, y) 坐標(biāo)表示相對(duì)于網(wǎng)格單元邊界的框的中心，以及寬度和高度相對(duì)于整個(gè)圖像的預(yù)測(cè)。最后，置信度預(yù)測(cè)表示預(yù)測(cè)框與真實(shí)框之間的交集。

類(lèi)別概率預(yù)測(cè)：每個(gè)網(wǎng)格單元還預(yù)測(cè)了 C 個(gè)條件類(lèi)別概率 Pr(Class_i|Object)，這些概率取決于包含對(duì)象的網(wǎng)格單元。無(wú)論邊界框數(shù)量如何，每個(gè)網(wǎng)格單元只預(yù)測(cè)一組分類(lèi)概率。

網(wǎng)絡(luò)設(shè)計(jì)

檢測(cè)網(wǎng)絡(luò)有24個(gè)卷積層，后面是2個(gè)全連接層。交替的1 × 1卷積層減少了前一層的特征空間。在ImageNet分類(lèi)任務(wù)上以一半的分辨率(224 × 224輸入圖像)預(yù)訓(xùn)練卷積層，然后將分辨率提高一倍用于檢測(cè)。

訓(xùn)練

預(yù)訓(xùn)練：他們?cè)贗mageNet 1000類(lèi)競(jìng)爭(zhēng)數(shù)據(jù)集上對(duì)卷積層進(jìn)行了預(yù)訓(xùn)練，使用了模型的前20個(gè)卷積層、平均池化層和完全連接層。這個(gè)預(yù)訓(xùn)練過(guò)程提高了模型的性能。

檢測(cè)模型轉(zhuǎn)換：然后，他們將模型轉(zhuǎn)換為執(zhí)行目標(biāo)檢測(cè)。為了增加性能，作者添加了四個(gè)卷積層和兩個(gè)隨機(jī)初始化權(quán)重的完全連接層。因?yàn)闄z測(cè)需要更多的視覺(jué)信息，所以他們將網(wǎng)絡(luò)的輸入分辨率從224×224增加到448×448。

最后一層預(yù)測(cè)：模型的最后一層用于預(yù)測(cè)類(lèi)別概率和邊界框坐標(biāo)。邊界框的寬度和高度被標(biāo)準(zhǔn)化到0和1之間，并且x和y坐標(biāo)參數(shù)化為特定網(wǎng)格單元格位置的偏移量。

激活函數(shù)：最后一層使用線性激活函數(shù)，而其他層使用漏整流線性激活函數(shù)。

損失函數(shù)：作者使用平方和誤差作為優(yōu)化目標(biāo)，盡管它不完全符合他們最大化平均精度的目標(biāo)。為了解決訓(xùn)練中的不穩(wěn)定性問(wèn)題，他們?cè)黾恿诉吔缈蜃鴺?biāo)預(yù)測(cè)的損失，并減少了不包含對(duì)象的框的置信度預(yù)測(cè)的損失。

04
結(jié)論

該論文介紹了一種名為YOLO的目標(biāo)檢測(cè)統(tǒng)一模型。YOLO模型的構(gòu)建簡(jiǎn)單，能夠在完整圖像上進(jìn)行訓(xùn)練，與以前的分類(lèi)器方法不同，它使用了與檢測(cè)性能直接相關(guān)的損失函數(shù)進(jìn)行訓(xùn)練，并且整個(gè)模型進(jìn)行了聯(lián)合訓(xùn)練。

其中的快速版本YOLO是文獻(xiàn)中最快的通用對(duì)象檢測(cè)器，推動(dòng)了實(shí)時(shí)對(duì)象檢測(cè)領(lǐng)域的進(jìn)展。此外，YOLO還能夠成功應(yīng)用于新領(lǐng)域，使其成為依賴(lài)于快速和強(qiáng)大的對(duì)象檢測(cè)的應(yīng)用程序的理想選擇。

作者 | 不加糖

排版?|?小河

審核?| 貓

若您對(duì)該文章內(nèi)容有任何疑問(wèn)，請(qǐng)與我們聯(lián)系，我們將及時(shí)回應(yīng)。如果想要了解更多的前沿資訊，記得點(diǎn)贊關(guān)注哦~