CV之DL之Yolov1：Yolo算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略_yolo 作者

地址

论文地址：https://arxiv.org/abs/1506.02640

时间

2015年6月8日

作者

Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi

总结

该论文提出了一种新的物体检测方法YOLO(You Only Look Once，你只需看一次)。

YOLO的核心思想是将物体检测视为一个回归问题，直接从整张图像像素预测边界框坐标和分类概率，而不是将分类器转换为检测任务。具体而言：

YOLO将输入图像划分为S×S个格子，每个格子负责预测图像中中心点落在该格子内的目标。每个格子预测B个边界框和这些框的置信度scores。置信度衡量框是否包含目标和预测框与 ground truth 的重合程度。还预测C个分类概率，条件于该格子包含目标。训练过程中使用均方损失函数进行端对端优化，考虑了坐标回归、分类和背景框的预测。

YOLO的主要优点和贡献如下：

>> 速度快，整个检测pipe线采用单个网络实现，最小化重复计算，实时测试速度可达45FPS。

>> 考虑全局上下文，每个格子利用整张图像特征进行预测。

>> 直接优化检测性能，没有过多依赖于中间步骤如缩小搜索空间。

>> 具有很强的泛化能力，能很好地处理新类别和域之间的变化。

>> 开源代码和预训练模型提供下载。

>> 缺点是定位错误相对多，对小目标定位效果不佳。后续工作可以考虑如何提高精确度，尤其是对小目标的定位。

与其他顶级检测方法相比，YOLO平衡了速度和准确性的 trade-off，开创了物体检测向实时和端到端学习的新趋势。

We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities. A single neural network predicts bounding boxes and class probabilities directly from full images in one evaluation. Since the whole detection pipeline is a single network, it can be optimized end-to-end directly on detection performance.

Our unified architecture is extremely fast. Our base YOLO model processes images in real-time at 45 frames per second. A smaller version of the network, Fast YOLO, processes an astounding 155 frames per second while still achieving double the mAP of other real-time detectors. Compared to state-of-the-art detection systems, YOLO makes more localization errors but is far less likely to predict false detections where nothing exists. Finally, YOLO learns very general representations of objects. It outperforms all other detection methods, including DPM and R-CNN, by a wide margin when generalizing from natural images to artwork on both the Picasso Dataset and the People-Art Dataset.

我们提出了YOLO，一种新的目标检测方法。以往的目标检测工作重新利用分类器执行检测。相反，我们将目标检测构建为一个回归问题，以空间分离的边界框和相关的类别概率进行建模。一个单一的神经网络直接从完整图像中预测边界框和类别概率，完成一次评估。由于整个检测流程是一个单一网络，因此可以直接在检测性能上进行端到端的优化。

我们的统一架构速度极快。我们的基本YOLO模型以每秒45帧的速度实时处理图像。网络的较小版本，Fast YOLO，以惊人的每秒155帧的速度处理图像，同时仍然实现了其他实时检测器两倍mAP的性能。与最先进的检测系统相比，YOLO可能会产生更多的定位错误，但很不容易在不存在目标的地方预测虚假检测。最后，YOLO学习到非常通用的目标表示。在从自然图像到Picasso数据集和People-Art数据集的艺术作品进行泛化时，它在所有其他检测方法（包括DPM和R-CNN）中表现出色。