YOLO（You Only Look Once）--只需瞄一眼_yolo(you only look once)是端到端的,作为单阶段的目标检测算法,因 其精度高,

本文主要参考：http://blog.csdn.net/u011534057/article/details/51244354
https://zhuanlan.zhihu.com/p/25045711?refer=shanren7
https://pjreddie.com/darknet/yolo/

实习期间，想实现行人检测任务，要求速度上比较快，因为要放在android端跑，因此选择了YOLO。YOLO是一种基于端到端的检测算法，其特点就是快同时准确率还差强人意。
传统的目标检测方法基本都是基于滑窗的方式，RCNN系列也可以归为滑窗的一种。而YOLO是一种采用全图信息来进行检测的算法，相比于Fast RCNN，YOLO的背景预测错误率低一半，但YOLO对小像素的目标不敏感。
总结一下：

1. 非常快。YOLO预测流程简单，速度很快。基础版在Titan X上可以达到45帧/s，快速版可以达到145帧/s，在无GPU的虚拟机中检测一张图需要1.5s左右，需要速度快，但是对无GPU的Android端还是不够。
2. YOLO无需滑窗，无需候选窗，YOLO在训练和预测过程中可以利用全图信息。Fast RCNN因检测中无法看到全局信息，会出现错误的将背景中的斑块检测为目标的情况。
3. YOLO可以学习到目标的概括信息，具有一定普适性。采用自然图片训练YOLO，然后选择艺术图片来预测，YOLO的比DPM（Deformable Parts Models）和RCNN的准确率高得多。
4. YOLO对相互靠近的物体，还有很小群体的检测效果不好。这是因为一个格子中只能预测两个框，并且属于一类。而且，在预测时，同一类物体以不同长宽比出现时，YOLO的效果不好。在大小物体定位的处理上效果也不好。

1、大体流程
YOLO就是利用整张图作为输入，然后直接输出回归bounding box的位置和类别。

YOLO先将图片分为个格子，如果一个目标的中心落在某个格子中，这个格子就负责检测该目标。每个格子中要预测B个Bounding Box，且每个Bounding Box出了要回归自身的位置()之外，还要附带预测一个condfidence值(置信值)。这个置信值代表了所预测的Bounding Box中包含目标的置信度和位置()的准确度两重信息。其值的计算如下式：

如果这个格子中有Object落在其中，则取1，否则取0。表示预测的Bounding Box和真实的Bounding Box之间的IOU值。

每个Bounding Box包含位置信息()和置信值(condfidence)5个值，同时每个格子还要预测出一个概率值C（如数据集为20类，则C的个数为20），代表这个格子包含某一个目标的概率，每一个格子只预测一类概率。在测试时，每个Bounding Box通过类别概率和Bounding Box的置信值相乘来得到特定类别的置信分数，如下式。

则输入一张图，一共的格子，每个格子要预测B个Bounding Box，每个Bounding Box包含5个值，同时每个格子还要预测C个类别概率，因此输出就是个tensor。（注：C是针对每个格子的，而condfidence是针对每个Bounding Box）。
举例：在PASCAL VOC中，图像输入为，取。则输出的就是的tensor。

2、具体细节
上述例子中，网络输出为，即每个格子输出30个tensor（2个Bounding Box一共8个位置值，2个置信值，还有20维的类别）。其中位置值()中，代表与格子相关的Bounding Box的中心，在训练时归一化到0-1；表示Bounding Box的宽和高，在训练时用图像的宽和高归一化到0-1。
在实现时最重要的是怎样设计损失函数，让这个三方面得到很好的平衡。作者简单粗暴的全部采用sum-squared error loss来做这件事。但是这种做法存在几个问题：
一、8维的位置误差和20维的分类误差同等重要显然不合理。
二、如果某个网格中没有object，那个这个网格的置信值就为0，相对于较少有object的网格，这种做法太过暴力，这会导致网络不稳定甚至发散。
解决方法：
一、更重视8维的位置坐标，在位置坐标损失前面赋予更大的loss wights，记为。在PASCAL VOC训练中取5.
二、对不包含object的Bounding Box的置信值的误差，赋予小的loss wights，记为。在PASCAL VOC训练中取0.5。
三、包含object的Bounding Box的置信值的误差和类别的误差，其loss wights正常取1。

对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。
为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。

一个格子要预测多个Bounding Box，希望的是每个Bounding Box专门负责预测某个object。具体就是当前预测的Bounding Box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。

整个loss如下：

1、损失函数中，只有当Bounding Box中有object时才会对分类误差进行惩罚。
2、只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。

3、实现
实现的code主要是基于https://pjreddie.com/darknet/yolo/
A、首先下载code编译

B、下载网站提供训练好的模型weights

C、运行预测

D、得到结果

预测很简单，本人也做了预测，在cpu上单张图需要1.5s左右。网页上也提供了训练的步骤，需要下载制作好的数据集；若需要解决个人问题，则需要自己标定图片，制作数据集。
接下来本人会自己制作数据来试验一下，并简单阅读一下源码。