目標檢測算法YOLO的發(fā)展史和原理

01YOLO發(fā)展史

大家或許知道，首字母縮寫YOLO在英文語境下較為流行的含義，即You Only Live Once，你只能活一次。我們今天要介紹的YOLO卻有著與前者不一樣的含義。在算法的世界中，YOLO寓意You Only Look Once，你只需要看一眼——這不失為一種來自開發(fā)者的羅曼蒂克。

在講解YOLO的算法原理之前，先簡要介紹YOLO的發(fā)展史。YOLO開創(chuàng)了一階段檢測算法的先河。它將目標分類和定位用一個神經(jīng)網(wǎng)絡統(tǒng)一起來，實現(xiàn)了端到端的目標檢測。

YOLO檢測系統(tǒng)

YOLO最初于2016年由華盛頓大學的博士研究生Joseph Redmon提出。Joseph Redmon的這篇提出YOLO的論文You Only Look Once: Unified, Real-Time Object Detection也發(fā)表在了CVPR 2016上，并獲得了CVPR 2016的最佳人氣獎。自此，Joseph Redmon開始不斷推出YOLO的新版本，YOLO也在不斷的迭代中越來越強。

2017年，Joseph Redmon與導師合著發(fā)表了論文YOLO9000: Better, Faster, Stronger，這篇論文也標志著YOLO v2的誕生。該論文獲得了CVPR 2017最佳論文榮譽提名獎。YOLO v2能夠檢測9000中不同的對象，因此也被稱為YOLO9000。

2018年，Joseph Redmon又提出了YOLO新版本YOLO v3，這一版本的YOLO在保持原有算法的速度優(yōu)勢的同時，提升了模型的精度，補齊了小目標檢測以及重疊遮擋目標識別的短板。雖然，Joseph Redmon在2020年出于個人對職業(yè)倫理恪守的原因終止了CV研究，但之后便出現(xiàn)新的YOLO維護者繼續(xù)接手YOLO的進一步研發(fā)項目。

02YOLO算法原理

YOLO的核心理念是：把目標檢測問題轉(zhuǎn)換為直接從圖像中提取邊界框和類別概率的單回歸問題，即一次就可檢測出目標的類別和位置。正因如此，YOLO模型的運行速度非?？?，從而可以滿足實時性應用要求。

YOLO模型做統(tǒng)一檢測（unified detection）的流程為：

YOLO模型

首先，把輸入圖像分成S×S個小格子。每個格子預測N個邊界框，每個邊界框用五個預測值表示：x，y，w，h和confidence（置信度）。其中，(x,y)是邊界框的中心坐標，w和h是邊界框的寬度和高度，這四個值都被歸一化到[0,1]區(qū)間以便于訓練。

置信度會對當前邊界框中存在目標的可能性Pr(Object)以及預測框與真實框的交并比進行綜合考慮，即

其中

根據(jù)以上定義，若一個框內(nèi)沒有物體，則confidence = 0，反之則confidence等于交并比。我們在訓練時可以計算出每一個框的置信度。

其次，我們要預測每個格子分別屬于每種目標類別的條件概率(｜)，其中 = 0,1,…,C，其中C是數(shù)據(jù)集中目標類別的數(shù)量。

在測試時，屬于某個格子的N個邊界框共享C個類別的條件概率，則每個邊界框?qū)儆谀硞€目標類別的置信度（類別置信度）為

最后，我們會輸出一個維度為S×S×(N×5+C) 的張量（tensor）。在此需要提示的是，5代表的是在第一步中對應的五個預測值，且因為每個格子的N個邊界框是共享C個類別的條件概率的，因此在張量維度大小的計算公式中，我們在N×5與C之間采用的運算是加法而非乘法。

YOLO使用PASCALVOC檢測數(shù)據(jù)集。YOLO將圖像分為7×7=49個小格子，其中，每個格子里有兩個邊界框，即S=7，N=2。因為VOC數(shù)據(jù)集中有20種類別，因此C=20。最終的預測結(jié)果是一個7×7×30的張量。

YOLO借鑒了GoogLeNet的設計思想，其網(wǎng)絡結(jié)構(gòu)中包括24個卷積層和2個全連接層。YOLO沒有使用Inception模塊，而是直接用1×1卷積層及隨后的3×3卷積層。YOLO的最終輸出是7×7×30的張量。

YOLO網(wǎng)絡結(jié)構(gòu)

需要強調(diào)的是，上圖中出現(xiàn)在數(shù)字右下角的“-s-2”的下標代表該卷積層或池化層的stride（步距）為2。

此外，YOLO使用Leaky ReLU作為激活函數(shù)，即

總言之，YOLO算法通過把“統(tǒng)一檢測候選框與類別概率”的思想和 “用一個卷積神經(jīng)網(wǎng)絡來實現(xiàn)”的操作結(jié)合，從而開創(chuàng)了一階段目標檢測算法。

03YOLO算法的閃光點與局限性

相對于傳統(tǒng)目標檢測算法而言, 使用統(tǒng)一檢測模型的YOLO的閃光點在于：

其一，檢測速度非?？臁OLO將目標檢測重建為單一回歸問題從而對輸入圖像直接處理。此外，還同時輸出邊界框坐標和分類概率，而且每張圖像只預測98個邊界框。因此，YOLO的檢測速度非?？?。其中，YOLO在Titan X GPU上的檢測速度能達到45幀/秒，F(xiàn)ast YOLO的檢測速度則可以達到155幀/秒。

其二，背景誤判少。以往基于滑動窗口或候選區(qū)域提取的目標檢測算法只能看到圖像的局部信息，因此會把圖像背景誤認為檢測目標。而YOLO在訓練和測試時每個格子都可以看到全局信息，因此不容易把圖像背景預測為目標。

其三，泛化性更好。YOLO能夠?qū)W習到目標的泛化表示，從而能夠遷移到其他領域。在泛化能力上，YOLO的性能遠優(yōu)于DPM、R-CNN等。

但除了以上閃光點外，YOLO也存在著局限性。雖然YOLO的目標檢測速度很快，但其預測精度不是很高。究其原因，主要是由于——

其一，YOLO的每個格子只能預測兩個邊界框和一種目標的分類。YOLO將一張圖像均分為49個格子，若在同一單元格內(nèi)存在多個物體的中心，那么該單元格內(nèi)只能預測出一個類別的物體，并丟掉其他的物體，從而降低了預測精度。

其二，損失函數(shù)的設計過于簡單。雖然邊界框的坐標和分類表征的內(nèi)容不同，但YOLO都用其均方誤差作為損失函數(shù)。

其三，YOLO直接預測邊界框的坐標位置，這會導致模型不易訓練。

不過，以上在YOLO原版中出現(xiàn)的問題在后來的YOLO v2、YOLO v3等版本中都逐步得到了改進。

來源：新機器視覺

審核編輯：湯梓紅