You look only once（YOLO）通俗篇_you only look once

我今天真的爆发了，把十来天看的两篇论文又复习了一遍，顺便也就都写了博客

说起YOLO，很早前就听过它的大名，快速的detection方案。但是比起YOLO，我很喜欢称之为YOU ONLY LOOK ONCE（一见倾心），这个名字真的是太有诗意了，hhh，笑出猪叫声。好啦，感觉每次说废话占去我博客十分之一的字有了，下面言归正传。

一、前言

首先要对比一下YOLO与之前常见的detection之间的最大差别，之前的方法都是把分类器稍加修改用来做detect，但是呢，在YOLO中提出了一种新的思路，使用回归来做detection，在空间上分离计算出bbox以及相应的probability，并且只需要一次计算就可以算出最后的结果。与之前诸多方法相比，YOLO最大的进步就是真正意义上实现了detection的实时效果。普通的YOLO可以达到45帧每秒的速度，而一种fast YOLO的改进型可以达到155帧每秒的速度。

总结来说，YOLO对比之前的网络有着以下的三点突破：

1、YOLO的速度很快，因为将detection作为一个regression的问题之后，它就不再需要大量的计算过程了，在不使用GPU的情况下就可以达到45帧每秒的处理速度。

2、YOLO采取整个图片作为输入，它获取的是全局的信息，因而能够做出更好的预测，不像一些基于滑窗或者是建议框的方法，YOLO能够提取到更加高级的语义信息。

3、YOLO具有更强的迁移性和适应性，当它被应用于一些陌生的场景时。

二、细说YOLO

作者在文中，将整个复杂的detection过程融合到一个简单的神经网络中去了，这是一个端到端的训练过程，在保持高速的同时保持着很高的正确率。

下面来看看YOLO是如何进行工作的，YOLO将整个输入的图片分为s*s个格子，如果一个待检测物体的中心落在这个格子中，那么这个格子就负责检测这个物体。

每个格子会预测B个bbox以及相应的confidence。这个confidence代表了模型对于该格子中包含物体的信赖度。作者使用这样一个公式来计算confidence：

前一个参数代表这个格子里面有没有物体，后一个参数带边预测出来的边框与groundtruth之间的IOU值。

每个bbox包含了五个值，包括了x，y，w，h以及confidence，其中x，y代表了预测的bbox的中心坐标，w，h代表了预测的bbox的长宽。每个格子同时还预测出一个c维的向量，代表格子中的物体属于某个具体类别的可能性。

测试的时候，我们将这个物体属于某个类别的可能性，乘上这个物体是属于这个格子的可能性，代表了格子中出现某个类别物体的可能性。（这段话给我绕的）

在本文中s=7，B=2，C=20，所以最后预测的结果是7*7*30的，这里我觉得有必要做点解释，不然后头有点难看懂，有人也许会问，在后面的网络设计中，是如何体现出来分成7*7的格子的，就是这里通过最后一层输出7*7的tensor，那这个30又是怎么出现的呢，B=2，每个格子预测两个框，一个框有五个参数，再加上二十个类别，是不是相应的深度就是三十了。再讲一下，就是每个格子最后会输出30维的特征。不管你们懂没懂，反正我是说完了。

如果看累了，可以给你们上一张原论文中的示意图，轻松一下;

(对在这个过程中，肯定是包含了非极大值抑制这样的过程，只是我就不细讲了)

三、框架还是的啃呀！

作者实现这个框架一个很大的基础就是基于卷积网络，整个网络的大体分工可以分为前面的卷积部分负责特征的提取，后面的全连接部分负责预测概率以及bbox修正值。

整个网络由24个卷积层和两个全连接层组成，网络中使用了较多1*1的卷积层和3*3的卷积层相结合的部分，主要用于减少网络中的参数量，这个可以借鉴于googlenet中的inception这一概念。

四、看结果

通过在coco数据上进行对比，我们发现在实时的detectors中，YOLO的效果最好，在非实时的detector中，YOLO与VGG16的结合也能达到最好的效果。

好啦，这一篇就结束啦，相信你读完是不是和我一样有这样的想法，what，这就是yolo，这就是一个卷积神经网络呀！没错，这就是idea的厉害之处了，希望你我也有一天可以拥有源源不断的idea。

大家好，我是钱多多，欢迎多多交流。