前面博文介紹了目標檢測的概況，以及【RCNN系列】的目標檢測模型，這個系列介紹【YOLO系列】的目標檢測模型。本篇文章介紹YoloV1網絡模型的概況。
YoloV1論文：https://arxiv.org/pdf/1506.02640
YoloV1論文翻譯：https://zhuanlan.zhihu.com/p/35416826
一、概述
Yolo（You Only Look Once），你只需要看一次，通過這個任性的名字，就可以稍微區分出其與【RCNN】系列的最重要的不同之處，YOLO是end-to-end模式，並且是真正意義上的 Real-Time Object Detection。(YoloV1 mAP：63%，fps：45；Faster RCNN mAP：73%，fps：7)
【傳統檢測方法】基於區域提名的，大致分爲三個步驟：先使用不同的方法（滑動窗口、選擇搜索、區域提案）提取區域的特徵圖，然後再使用分類器進行識別，最後迴歸預測。例如：R-CNN、SPPNet、Fast R-CNN、Faster R-CNN。
【改進檢測方法】基於端到端的（end to end），無需候選區域。
二、網絡模型
YOLO使用了24個級聯卷積層和最後2個全連接層，交替的1×1卷積層降低了前面層的特徵空間。在ImageNet分類任務上使用分辨率的一半（224×224輸入圖像）對卷積層進行預訓練，然後將分辨率加倍進行目標檢測。
2.1 Yolo實現思路：
1、將一副圖片分成SxS個網格（Grid Cell）;
2、每個網格要預測B個bounding box，每個box除了要回歸自身的位置之外，還要附帶預測一個Confidence：
Confidence由兩部分乘積所得，Pr(Object)表示該bounding box是否含有object，Iou(truth/pred)表示預測與真實框的交併比。
3、每個網格要預測針對20個類別的條件概率(同一個網格B個bboxes共享一個條件概率)
訓練：
測試： 
4、在Pascal VOC中，YOLO檢測系統的圖像輸入爲448×448，S=7，B=2，一共有20個class（C=20），輸出就是7×7×30的一個tensor。如上圖所示，7*7*30中的30包含2個boundingbox預測的(x,y,w,h,c) + 20個類別。
2.2 Yolo實現細節
1、yolov1返回什麼
【YOLO返回】返回S*S*(B*5 + C) = 7 * 7 (2* 5 + 20)tensor, 該7*7*30的tensor包含了 中心、寬高偏移以及置信度，和每個類別得分。
2、yolov1如何預測
【YOLO預測】預測目標的偏移和得分。 此處預測的（x, y )（w, h）和【RCNN】系列一樣預測是偏移，而yolo還會進一步將該偏移進行歸一化處理，也就是輸出的（x, y）是相對於相對應網格的偏移得到的歸一化數據，輸出的（w, h）是相對於整張圖片寬高歸一化得到的數據。
![x = \frac{x'}{w''}*S - x''; y = \frac{y'}{h''}*S-y'']()
在此,規格寬高（w'', h''）就是整體圖片打寬和高,規則中心(x'', y'')就是((0,0),(0,1),...(7,7)) ,如上圖規格中心則爲(4，2)
3、yolov1如何篩選
【橫向篩選】：在不同的bbox裏面都預測到某個目標，依據Confidence，即IOU。
如上圖所示：
首先：將所有bbox（7*7*2=98個）中對於一個類別得分小於閾值的得分設置爲0；
其次：將所有更新後得分的bbox排序，按照得分從高到底，選擇該類別中得分最高的設置爲bbox_max；
然後：將其餘bbox類別的區域與bbox_max區域做IOU計算，如果得分大於閾值，則設置該bbox得分爲0；【NMS】
然後：選擇滿足第1步的次得分高值重複進行2、3步的步驟，直至計算結束。
最後：針對下一個類別進行1、2、3、4的步驟。
【總結】：這個流程就會篩選出不同bbox對於同一個目標的預測情況，篩選出一個最好的。
【縱向篩選】：在同一個bbox裏面預測到多個目標，依據P(Class)，即分類得分。
找到20個類別裏面得分最高的，也就是該bbox可能的類別。
4、yolov1損失計算
【損失】yolov1的損失包括3個環節，5部分。
第一環節：bbox的中心和寬高：
當有目標時中心的損失函數
當有目標時寬高的損失函數，添加根號防止小物體變
化影響不明顯
第二環節：bbox置信度：
當有目標時置信度損失
當沒有目標時置信度損失
第三環節：類別：
預測類別損失
【注意】
1、local損失和classify損失同樣重要不合理，因此添加了 λcoord，設置爲5；
2、對於不含有目標的bbox的置信度Confidence未將其權重設置爲0，而是採用了λnoobj，設置爲0.5，因爲大多數bbox都不含有目標，如果單純的將未含有bbox的confidence設置爲0，則會造成不平衡；對於含有目標的bbox，對應的權重爲1；
3、對於w和h的損失進行開根號處理，是因爲不同大小的物體的偏離情況，小物體情況更嚴重點，如果不開根號，則loss一致，而開根號可以緩和這種不同尺寸物體偏離情況。
![\lambda_{coord} \sum_{i=0}^{S^2} \sum_{j=0}^{B}1_{ij}^{obj}[(x_i - \hat{x_i})^{2}+(y_i - \hat{y_i})^{2}]](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?%5Clambda_%7Bcoord%7D%20%5Csum_%7Bi%3D0%7D%5E%7BS%5E2%7D%20%5Csum_%7Bj%3D0%7D%5E%7BB%7D1_%7Bij%7D%5E%7Bobj%7D%5B%28x_i%20-%20%5Chat%7Bx_i%7D%29%5E%7B2%7D+%28y_i%20-%20%5Chat%7By_i%7D%29%5E%7B2%7D%5D)
當有目標時中心的損失函數![\lambda_{coord} \sum_{i=0}^{S^2} \sum_{j=0}^{B}1_{ij}^{obj}[(\sqrt{w_i }-\sqrt{\hat{w_i}})^{2}+(\sqrt{h_i }-\sqrt{\hat{h_i}})^{2}]](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?%5Clambda_%7Bcoord%7D%20%5Csum_%7Bi%3D0%7D%5E%7BS%5E2%7D%20%5Csum_%7Bj%3D0%7D%5E%7BB%7D1_%7Bij%7D%5E%7Bobj%7D%5B%28%5Csqrt%7Bw_i%20%7D-%5Csqrt%7B%5Chat%7Bw_i%7D%7D%29%5E%7B2%7D+%28%5Csqrt%7Bh_i%20%7D-%5Csqrt%7B%5Chat%7Bh_i%7D%7D%29%5E%7B2%7D%5D)
當有目標時寬高的損失函數，添加根號防止小物體變
當有目標時置信度損失
當沒有目標時置信度損失
預測類別損失三、創新與挑戰
1、創新
- YOLO速度非常快。YOLO的基礎版本以每秒45幀的速度運行，而快速版本運行速度超過150fps。
- YOLO是在整個圖像上進行推斷的。與基於滑動窗口和候選框的技術不同，YOLO在訓練期間和測試時都會顧及到整個圖像，所以它隱式地包含了關於類的上下文信息以及它們的外觀。
- YOLO能學習到目標的泛化表徵。把在自然圖像上進行訓練的模型，用在藝術圖像進行測試時，YOLO大幅優於DPM和R-CNN等頂級的檢測方法。由於YOLO具有高度泛化能力，因此在應用於新領域或碰到意外的輸入時不太可能出故障。
2、挑戰
- 輸入模型的尺度固定，因爲輸出層包含全連接層。
- 性能比較差，相對於當時最先進的目標檢測技術。
- 定位精度不夠高，相對於區域提案網絡來說，定位不夠理想。
總結：yolov1是在15年發明出來的，相對於當時最先進的目標檢測模型Faster rcnn的mAP 73%的檢測精度，其mAP 63%確實不夠出色，但是對於與rcnn的mAP 53%要更優秀，主要是yolo將rcnn 兩步走的模式併爲一步走，端到端的模式，可謂一個大的改變，端到端的模式導致了訓練、推斷時間大幅度的降低，是一個真正意思上的可以達到實時檢測（Faster rcnn fps 7, yolov1 fps 45）的模型。yolov1是【Yolo】系列的第一個版本，真正的改變了傳統目標檢測的思想，原來可以不用先提取區域再進行分類，原來目標檢測可以這樣玩，而這還只是yolo的開始。
