卷積神經(jīng)網(wǎng)絡目標檢測中的YOLO算法詳解

YOLO的全拼是You Only Look Once，顧名思義就是只看一次，把目標區(qū)域預測和目標類別預測合二為一，作者將目標檢測任務看作目標區(qū)域預測和類別預測的回歸問題。該方法采用單個神經(jīng)網(wǎng)絡直接預測物品邊界和類別概率，實現(xiàn)端到端的物品檢測。因此識別性能有了很大提升，達到每秒45幀，而在快速YOLO(Fast YOLO，卷積層更少)中，可以達到每秒155幀。

當前最好系統(tǒng)相比，YOLO目標區(qū)域定位誤差更大，但是背景預測的假陽性優(yōu)于當前最好的方法。

一、引言

人類瞥了一眼圖像，立即知道圖像中的物體，它們在哪里以及它們?nèi)绾蜗嗷プ饔谩Ｈ祟愐曈X系統(tǒng)快速而準確，使我們能夠執(zhí)行復雜的任務，比如汽車駕駛。

傳統(tǒng)的目標檢測系統(tǒng)利用分類器來執(zhí)行檢測。為了檢測對象，這些系統(tǒng)在測試圖片的不同位置不同尺寸大小采用分類器對其進行評估。如目標檢測系統(tǒng)采用deformable parts models (DPM)方法，通過滑動框方法提出目標區(qū)域，然后采用分類器來實現(xiàn)識別。近期的R-CNN類方法采用region proposal methods，首先生成潛在的bounding boxes，然后采用分類器識別這些bounding boxes區(qū)域。最后通過post-processing來去除重復bounding boxes來進行優(yōu)化。這類方法流程復雜，存在速度慢和訓練困難的問題。

我們將目標檢測問題轉換為直接從圖像中提取bounding boxes和類別概率的單個回歸問題，只需一眼（you only look once，YOLO）即可檢測目標類別和位置。

YOLO簡潔明了：見下圖。YOLO算法采用單個卷積神經(jīng)網(wǎng)絡來預測多個bounding boxes和類別概率。與傳統(tǒng)的物體檢測方法相比，這種統(tǒng)一模型具有以下優(yōu)點：

YOLO檢測系統(tǒng)。用YOLO處理圖像簡單直接。我們的系統(tǒng)（1）將輸入圖像調(diào)整為448×448，（2）在圖像上運行單個卷積網(wǎng)絡，以及（3）由模型的置信度對所得到的檢測進行閾值處理。

非常快。YOLO預測流程簡單，速度很快。我們的基礎版在Titan X GPU上可以達到45幀/s；快速版可以達到150幀/s。因此，YOLO可以實現(xiàn)實時檢測。

YOLO采用全圖信息來進行預測。與滑動窗口方法和region proposal-based方法不同，YOLO在訓練和預測過程中可以利用全圖信息。Fast R-CNN檢測方法會錯誤的將背景中的斑塊檢測為目標，原因在于Fast R-CNN在檢測中無法看到全局圖像。相對于Fast R-CNN，YOLO背景預測錯誤率低一半。

YOLO可以學習到目標的概括信息（generalizable representation），具有一定普適性。我們采用自然圖片訓練YOLO，然后采用藝術圖像來預測。YOLO比其它目標檢測方法（DPM和R-CNN）準確率高很多。

在準確性上，YOLO算法仍然落后于最先進的檢測系統(tǒng)。雖然它可以快速識別圖像中的對象，但它很難精確定位某些對象，特別是小對象。

二 統(tǒng)一檢測（Unified Detection）

我們將目標檢測統(tǒng)一到一個神經(jīng)網(wǎng)絡。我們的網(wǎng)絡使用整個圖像中的特征來預測每個邊界框。它也是同時預測圖像的所有類的所有邊界框。這意味著我們的網(wǎng)絡學習到的完整圖像和圖中所有的對象.YOLO設計可實現(xiàn)端到端訓練和實時的速度，同時保持較高的平均精度。

YOLO首先將圖像分為S×S的格子。如果一個目標的中心落入格子，該格子就負責檢測該目標。每一個網(wǎng)格中預測B個Bounding box 和置信值（confidence score）。這些置信度分數(shù)反映了該模型對盒子是否包含目標的信心，以及它預測盒子的準確程度。然后，我們定義置信值為：

如果沒有目標，置信值為零。另外，我們希望置信度分數(shù)等于預測框與真實值之間聯(lián)合部分的交集（IOU）。

每一個bounding box包含5個值：x，y，w，h和confidence。（x，y）坐標表示邊界框相對于網(wǎng)格單元邊界框的中心。寬度和高度是相對于整張圖像預測的。confidence表示預測的box與實際邊界框之間的IOU。每個網(wǎng)格單元還預測C個條件類別概率：

這些概率是以網(wǎng)格包含目標為條件的，每個網(wǎng)格單元我們只預測的一組類別概率，而不管邊界框的的數(shù)量B時多少。

在測試時，我們乘以條件類概率和單個盒子的置信度預測：

這些分數(shù)編碼了該類出現(xiàn)在框中的概率以及預測框擬合目標的程度。。在PASCAL VOC數(shù)據(jù)集上評價時，我們采用S=7,B=2，C=20（該數(shù)據(jù)集包含20個類別），最終預測結果為7×7×30(B*5+C)的tensor。

模型。?我們的系統(tǒng)將檢測建模為回歸問題。它將圖像分成SxS的網(wǎng)絡，并且每個網(wǎng)格單元預測B個邊界框，這些邊界框的置信度以及C個類別概率，這些預測被編碼為SxSx（B*5+C）的張量。

1、網(wǎng)絡模型

我們使用卷積神經(jīng)網(wǎng)絡來實現(xiàn)YOLO算法，并在Pascal VOC檢測數(shù)據(jù)集上進行評估。網(wǎng)絡的初始卷積層從圖像中提取特征，而全連接層用來預測輸出概率和坐標。

我們的網(wǎng)絡架構受到GoogLeNet圖像分類模型的啟發(fā)。我們的網(wǎng)絡有24個卷積層，后面是2個全連接層。我們使用1x1降維層，后面是3x3卷積層，這與Lin等人類似，而不是GoogLeNet使用的Inception模塊。我們在ImageNet分類任務上以一半的分辨率(224x224的輸入圖像）預訓練卷積層，然后將分辨率加倍來進行檢測。完整的網(wǎng)絡如圖所示。

架構。我們的檢測網(wǎng)絡有24個卷積層，其次是2個全連接層。交替1x1卷積層減少了前面層的特征空間。我們在ImageNet分類任務上以一半的分辨率(224x224的輸入圖像)預訓練卷積層，然后將分辨率加倍來進行檢測。

我們還訓練了快速版本的YOLO，旨在推動快速目標檢測的界限。快速YOLO使用具有較少卷積層（9層而不是24層）的神經(jīng)網(wǎng)絡，在這些層中使用較少的濾波器。除了網(wǎng)絡規(guī)模之外，YOLO和Fast YOLO的所有訓練和測試參數(shù)都是相同的。

我們網(wǎng)絡的最終輸出是7x7x30的預測張量。

2、訓練

我們在ImageNet 1000類競賽數(shù)據(jù)集上預訓練我們的卷積層。對于預訓練，我們使用上圖中的前20個卷積層，外加平均池化層和全連接層。我們對這個網(wǎng)絡進行了大約一周的訓練，并且在ImageNet 2012驗證集上獲得了單一裁剪圖像88%的top-5準確率，與Caffe模型池中的GoogLeNet模型相當。我們使用Darknet框架進行所有的訓練和推斷。

然后我們轉換模型來執(zhí)行檢測。Ren等人表明，預訓練網(wǎng)絡中增加卷積層和連接層可以提高性能。按照他們的例子，我們添加了四個卷積層和兩個全連接層，并且具有隨機初始化的權重。檢測通常需要細粒度的視覺信息，因此我們將網(wǎng)絡的輸入分辨率從224x224變?yōu)?48x448。

我們的最后一層預測類概率和邊界框坐標。我們通過圖像寬度和高度來規(guī)范邊界框的寬度和高度，使它們落在0和1之間。我們將邊界框x和y坐標參數(shù)化為特定網(wǎng)格單元位置的偏移量，所以它們邊界也在0和1之間。

我們對最后一層使用線性激活函數(shù)，所有其它層使用下面的漏泄修正線性激活：

我們優(yōu)化了模型輸出中的平方和誤差。我們使用平方和誤差，因為它很容易進行優(yōu)化，但是它并不完全符合我們最大化平均精度的目標。分類誤差與定位誤差的權重是一樣的，這可能并不理想。另外，在每張圖像中，許多網(wǎng)格單元不包含任何對象。這將這些單元格的“置信度”分數(shù)推向零，通常壓倒了包含目標的單元格的梯度。這可能導致模型不穩(wěn)定，從而導致訓練早期發(fā)散。

為了改善這一點，我們增加了邊界框坐標預測損失，并減少了不包含目標邊界框的置信度預測損失。我們使用兩個參數(shù)λcoord和λnoobj來完成這個工作。我們設置λcoord=5和λnoobj=5。

平方和誤差也可以在大盒子和小盒子中同樣加權誤差。我們的錯誤指標應該反映出，大盒子小偏差的重要性不如小盒子小偏差的重要性。為了部分解決這個問題，我們直接預測邊界框寬度和高度的平方根，而不是寬度和高度。

YOLO每個網(wǎng)格單元預測多個邊界框。在訓練時，每個目標我們只需要一個邊界框預測器來負責。我們指定一個預測器“負責”，根據(jù)哪個預測與真實值之間具有當前最高的IOU來預測目標。這導致邊界框預測器之間的專業(yè)化。每個預測器可以更好地預測特定大小，方向角，或目標的類別，從而改善整體召回率。

在訓練期間，我們優(yōu)化以下多部分損失函數(shù)：

其中1iobj表示目標是否出現(xiàn)在網(wǎng)格單元i中(是為1，否為0，根據(jù)該單元實際上是否有目標確定)，1ijobj表示網(wǎng)格單元i的第j個邊界框預測器“負責”該預測(如果該單元真有目標，并且該邊界框IOU最大，則值為1，否為0)。

注意，如果目標存在于該網(wǎng)格單元中（前面討論的條件類別概率），則損失函數(shù)僅懲罰分類錯誤。如果預測器“負責”實際邊界框（即該網(wǎng)格單元中具有最高IOU的預測器），則它也僅懲罰邊界框坐標錯誤。

我們對Pascal VOC 2007和2012的訓練和驗證數(shù)據(jù)集進行了大約135個迭代周期的網(wǎng)絡訓練。在Pascal VOC 2012上進行測試時，我們的訓練包含了Pascal VOC 2007的測試數(shù)據(jù)。在整個訓練過程中，我們使用了64個批大小，0.9的動量和0.0005的衰減。

我們的學習率方案如下：對于第一個迭代周期，我們慢慢地將學習率從0.001提高到0.01，如果我們從高學習率開始，我們的模型往往會由于不穩(wěn)定的梯度而發(fā)散。我們繼續(xù)以0.01的學習率訓練75個迭代周期，然后用0.001學習率訓練30個迭代周期，最后用0.0001的學習率訓練30個迭代周期。

為了避免過度擬合，我們使用棄權和大量的數(shù)據(jù)增強。在第一個連接層之后，棄權層使用0.5的比例，防止層之間的互相適應。對于數(shù)據(jù)增強，我們引入高達原始圖像20%的大小的隨機縮放和轉換。我們還在HSV色彩空間中使用高達1.5的因子來隨機調(diào)整圖像的曝光和飽和度。

3、預測

就像在訓練中一樣，預測測試圖像的檢測只需要一次網(wǎng)絡評估。在Pascal VOC上，每張圖像上網(wǎng)絡預測98個邊界框和每個框的類別概率。YOLO在測試時非?？欤驗樗恍枰淮尉W(wǎng)絡評估，不像基于分類器的方法。

網(wǎng)格設計強化了邊界框預測中的空間多樣性。通常很明顯一個目標落在哪一個網(wǎng)格單元中，而網(wǎng)絡只能為每個目標預測一個邊界框。然而，一些大的目標或靠近多個網(wǎng)格單元邊界的目標可以被多個網(wǎng)格單元很好地定位。非極大值抑制可以用來修正這些多重檢測。對于R-CNN或DPM而言，性能不是關鍵的，非最大抑制會增加2%-3%的mAP。

4、YOLO的限制

YOLO的每一個網(wǎng)格只預測兩個邊界框，一種類別。這導致模型對相鄰目標預測準確率下降。因此，YOLO對成隊列的目標（如 一群鳥）識別準確率較低。

由于我們的模型學習從數(shù)據(jù)中預測邊界框，因此它很難泛化到新的、不常見角度的目標。我們的模型使用相對較粗糙的特征來預測邊界框，因為我們的架構具有來自輸入圖像的多個下采樣層。

YOLO的損失函數(shù)會同樣的對待小邊界框與大邊界框的誤差。大邊界框的小誤差通常是良性的，但小邊界框的小誤差對IOU的影響要大得多。我們的主要錯誤來源是不正確的定位。

三 與其他目標檢測算法對比

目標檢測是計算機視覺中的核心問題。檢測流程通常從輸入圖像上（Haar，SIFT ，HOG ，卷積特征）提取一組魯棒特征開始。然后，分類器或定位器被用來識別特征空間中的目標。這些分類器或定位器在整個圖像上或在圖像中的一些子區(qū)域上以滑動窗口的方式運行。我們將YOLO檢測系統(tǒng)與幾種頂級檢測框架進行比較，突出了關鍵的相似性和差異性。

可變形部件模型。可變形零件模型（DPM）使用滑動窗口方法進行目標檢測。DPM使用不相交的流程來提取靜態(tài)特征，對區(qū)域進行分類，預測高評分區(qū)域的邊界框等。我們的系統(tǒng)用單個卷積神經(jīng)網(wǎng)絡替換所有這些不同的部分。網(wǎng)絡同時進行特征提取，邊界框預測，非極大值抑制和上下文推理。代替靜態(tài)特征，網(wǎng)絡內(nèi)嵌地訓練特征并為檢測任務優(yōu)化它們。我們的統(tǒng)一架構導致了比DPM更快，更準確的模型。

R-CNN。R-CNN及其變種使用區(qū)域提名而不是滑動窗口來查找圖像中的目標。選擇性搜索產(chǎn)生潛在的邊界框，卷積網(wǎng)絡提取特征，SVM對邊界框進行評分，線性模型調(diào)整邊界框，非極大值抑制消除重復檢測。這個復雜流程的每個階段都必須獨立地進行精確調(diào)整，所得到的系統(tǒng)非常慢，測試時每張圖像需要超過40秒。

YOLO與R-CNN有一些相似之處。每個網(wǎng)格單元提出潛在的邊界框并使用卷積特征對這些框進行評分。但是，我們的系統(tǒng)對網(wǎng)格單元提出進行了空間限制，這有助于緩解對同一目標的多次檢測。我們的系統(tǒng)還提出了更少的邊界框，每張圖像只有98個，而選擇性搜索則只有2000個左右。最后，我們的系統(tǒng)將這些單獨的組件組合成一個單一的，共同優(yōu)化的模型。

其它快速檢測器。Fast和Faster的R-CNN通過共享計算和使用神經(jīng)網(wǎng)絡替代選擇性搜索來提出區(qū)域加速R-CNN框架。雖然它們提供了比R-CNN更快的速度和更高的準確度，但兩者仍然不能達到實時性能。

許多研究工作集中在加快DPM流程上。它們加速HOG計算，使用級聯(lián)，并將計算推動到GPU上。但是，實際上只有30Hz的DPM可以實時運行。

YOLO不是試圖優(yōu)化大型檢測流程的單個組件，而是完全拋棄流程，被設計為快速檢測。

像人臉或行人等單類別的檢測器可以高度優(yōu)化，因為他們必須處理更少的變化。YOLO是一種通用的檢測器，可以學習同時檢測多個目標。

Deep MultiBox。與R-CNN不同，Szegedy等人訓練了一個卷積神經(jīng)網(wǎng)絡來預測感興趣區(qū)域，而不是使用選擇性搜索。MultiBox還可以通過用單類預測替換置信度預測來執(zhí)行單目標檢測。然而，MultiBox無法執(zhí)行通用的目標檢測，并且仍然只是一個較大的檢測流程中的一部分，需要進一步的圖像塊分類。YOLO和MultiBox都使用卷積網(wǎng)絡來預測圖像中的邊界框，但是YOLO是一個完整的檢測系統(tǒng)。

OverFeat。Sermanet等人訓練了一個卷積神經(jīng)網(wǎng)絡來執(zhí)行定位，并使該定位器進行檢測。OverFeat高效地執(zhí)行滑動窗口檢測，但它仍然是一個不相交的系統(tǒng)。OverFeat優(yōu)化了定位，而不是檢測性能。像DPM一樣，定位器在進行預測時只能看到局部信息。OverFeat不能推斷全局上下文，因此需要大量的后處理來產(chǎn)生連貫的檢測。

MultiGrasp。我們的工作在設計上類似于Redmon等的抓取檢測。我們對邊界框預測的網(wǎng)格方法是基于MultiGrasp系統(tǒng)抓取的回歸分析。然而，抓取檢測比目標檢測任務要簡單得多。MultiGrasp只需要為包含一個目標的圖像預測一個可以抓取的區(qū)域。不必估計目標的大小，位置或目標邊界或預測目標的類別，只找到適合抓取的區(qū)域。YOLO預測圖像中多個類別的多個目標的邊界框和類別概率。

四 實驗

首先，我們在PASCAL VOC 2007上比較YOLO和其它的實時檢測系統(tǒng)。為了理解YOLO和R-CNN變種之間的差異，我們探索了YOLO和R-CNN性能最高的版本之一Fast R-CNN在VOC 2007上錯誤率。根據(jù)不同的誤差曲線，我們顯示YOLO可以用來重新評估Fast R-CNN檢測，并減少背景假陽性帶來的錯誤，從而顯著提升性能。我們還展示了在VOC 2012上的結果，并與目前最先進的方法比較了mAP。最后，在兩個藝術品數(shù)據(jù)集上我們顯示了YOLO可以比其它檢測器更好地泛化到新領域。

1、與其他實時系統(tǒng)的比較

目標檢測方面的許多研究工作都集中在快速制定標準檢測流程上。然而，只有Sadeghi等實際上產(chǎn)生了一個實時運行的檢測系統(tǒng)（每秒30幀或更好）。我們將YOLO與DPM的GPU實現(xiàn)進行了比較，其在30Hz或100Hz下運行。雖然其它的努力沒有達到實時性的里程碑，我們也比較了它們的相對mAP和速度來檢查目標檢測系統(tǒng)中精度——性能權衡。

Fast YOLO是PASCAL上最快的目標檢測方法；據(jù)我們所知，它是現(xiàn)有的最快的目標檢測器。具有52.7%mAP，實時檢測的精度是以前工作的兩倍以上。YOLO將mAP推到63.4%同時保持了實時性能。

我們還使用VGG-16訓練YOLO。這個模型比YOLO更準確，但也比它慢得多。對于依賴于VGG-16的其它檢測系統(tǒng)來說，它是比較有用的，但由于它比實時的YOLO更慢，本文的其它部分將重點放在我們更快的模型上。

Fastest DPM可以在不犧牲太多mAP的情況下有效地加速DPM，但仍然會將實時性能降低2倍。與神經(jīng)網(wǎng)絡方法相比，DPM相對低的檢測精度也受到限制。

R-CNN Minus R用靜態(tài)邊界框提出取代選擇性搜索。雖然速度比R-CNN更快，但仍然不能實時，并且由于沒有好的邊界框提出，準確性受到了嚴重影響。

Fast R-CNN加快了R-CNN的分類階段，但是仍然依賴選擇性搜索，每張圖像需要花費大約2秒來生成邊界框提出。因此，它具有很高的mAP，但是0.5的fps仍離實時性很遠。

Faster R-CNN用神經(jīng)網(wǎng)絡替代了選擇性搜索來提出邊界框，類似于Szegedy等。在我們的測試中，他們最精確的模型達到了7fps，而較小的，不太精確的模型以18fps運行。VGG-16版本的Faster R-CNN要高出10mAP，但比YOLO慢6倍。Zeiler-Fergus的Faster R-CNN只比YOLO慢了2.5倍，但也不太準確。

Pascal VOC 2007上的實時系統(tǒng)。比較快速檢測器的性能和速度?？焖資OLO是Pascal VOC檢測記錄中速度最快的檢測器，其精度仍然是其它實時檢測器的兩倍。YOLO比快速版本更精確10mAP，同時在速度上仍保持實時性。

2、VOC 2007錯誤率分析

為了進一步檢查YOLO和最先進的檢測器之間的差異，我們詳細分析了VOC 2007的結果。我們將YOLO與Fast R-CNN進行比較，因為Fast R-CNN是PASCAL上性能最高的檢測器之一并且它的檢測代碼是可公開得到的。

我們使用Hoiem等人的方法和工具。對于測試時的每個類別，我們看這個類別的前N個預測。每個預測或者是正確的，或者根據(jù)錯誤類型進行分類：

Correct：正確的類別而且IOU>0.5

Localization：正確的類別,0.1

Similar：類別相似，IOU>0.1

Other：類別錯誤，IOU>0.1

Background：任何IOU<0.1的目標

下圖顯示了在所有的20個類別上每種錯誤類型平均值的分解圖。

誤差分析：Fast R-CNN vs. YOLO。這張圖顯示了各種類別的前N個預測中定位錯誤和背景錯誤的百分比（N = #表示目標在那個類別中）。

YOLO努力地正確定位目標。定位錯誤占YOLO錯誤的大多數(shù)，比其它錯誤源加起來都多。Fast R-CNN使定位錯誤少得多，但背景錯誤更多。它的檢測的13.6%是不包含任何目標的誤報。Fast R-CNN比YOLO預測背景檢測的可能性高出近3倍。

3、結合Fast R-CNN和YOLO

YOLO比Fast R-CNN的背景誤檢要少得多。通過使用YOLO消除Fast R-CNN的背景檢測，我們獲得了顯著的性能提升。對于R-CNN預測的每個邊界框，我們檢查YOLO是否預測一個類似的框。如果是這樣，我們根據(jù)YOLO預測的概率和兩個盒子之間的重疊來對這個預測進行提升。

最好的Fast R-CNN模型在VOC 2007測試集上達到了71.8%的mAP。當與YOLO結合時，其mAP增加了3.2%達到了75%，我們也嘗試將最好的Fast R-CNN模型與其它幾個版本的Fast R-CNN結合起來。這些模型組合產(chǎn)生了0.3%到0.6%之間的小增幅。

VOC 2007模型組合實驗。我們檢驗了各種模型與Fast R-CNN最佳版本結合的效果。Fast R-CNN的其它版本只提供很小的好處，而YOLO則提供了顯著的性能提升。

來自YOLO的提升不僅僅是模型組合的副產(chǎn)品，因為組合不同版本的Fast R-CNN幾乎沒有什么好處。相反，正是因為YOLO在測試時出現(xiàn)了各種各樣的錯誤，所以在提高Fast R-CNN的性能方面非常有效。

遺憾的是，這個組合并沒有從YOLO的速度中受益，因為我們分別運行每個模型，然后結合結果。但是，由于YOLO速度如此之快，與Fast R-CNN相比，不會增加任何顯著的計算時間。

4、VOC 2012結果

在VOC 2012測試集上，YOLO得分為57.9%mAP,這低于現(xiàn)有的最新技術，接近于使用VGG-16的原始R-CNN，見表3。我們的系統(tǒng)與其最接近的競爭對手相比，在小目標上努力。在bottle，sheep和tv/monitor等類別上，YOLO的得分比R-CNN或Feature Edit低8%-10%，然而，在cat和train等其它類別上YOLO實現(xiàn)了更高的性能。

PASCAL VOC 2012排行榜。截至2015年11月6日，YOLO與完整comp4（允許外部數(shù)據(jù)）公開排行榜進行了比較。顯示了各種檢測方法的平均精度均值和每類的平均精度。YOLO是唯一的實時檢測器。Fast R-CNN + YOLO是評分第四高的方法，比Fast R-CNN提升了2.3%。

我們聯(lián)合的Fast R-CNN + YOLO模型是性能最高的檢測方法之一。Fast R-CNN從與YOLO的組合中獲得了2.3%提高，在公開排行榜上上移了5位。

5、泛化能力，藝術品中的行人檢測

用于目標檢測的學術數(shù)據(jù)集以相同分布獲取訓練和測試數(shù)據(jù)。在現(xiàn)實世界的應用中，很難預測所有可能的用例，而且測試數(shù)據(jù)可能與系統(tǒng)之前看到的不同[3]。我們在Picasso數(shù)據(jù)集上和People-Art數(shù)據(jù)集上將YOLO與其它的檢測系統(tǒng)進行比較，這兩個數(shù)據(jù)集用于測試藝術品中的行人檢測。

下圖顯示了YOLO和其它檢測方法之間的比較性能。作為參考，我們在person上提供VOC 2007的檢測AP，其中所有模型僅在VOC 2007數(shù)據(jù)上訓練。在Picasso數(shù)據(jù)集上的模型在VOC 2012上訓練，而People-Art數(shù)據(jù)集上的模型則在VOC 2010上訓練。

Picasso和People-Art數(shù)據(jù)集上的泛化結果。

R-CNN在VOC 2007上有高AP。然而，當應用于藝術品時，R-CNN明顯下降。R-CNN使用選擇性搜索來調(diào)整自然圖像的邊界框提出。R-CNN中的分類器步驟只能看到小區(qū)域，并且需要很好的邊界框提出。

DPM在應用于藝術品時保持了其AP。之前的工作認為DPM表現(xiàn)良好，因為它具有目標形狀和布局的強大空間模型。雖然DPM不會像R-CNN那樣退化，但它開始時的AP較低。

YOLO在VOC 2007上有很好的性能，在應用于藝術品時其AP下降低于其它方法。像DPM一樣，YOLO建模目標的大小和形狀，以及目標和目標通常出現(xiàn)的位置之間的關系。藝術品和自然圖像在像素級別上有很大不同，但是它們在目標的大小和形狀方面是相似的，因此YOLO仍然可以預測好的邊界框和檢測結果。

定性結果。YOLO在網(wǎng)絡采樣的藝術品和自然圖像上的運行結果。雖然它將人誤檢成了飛機，但它大部分上是準確的。

四 實時目標檢測

YOLO是一種快速，精確的目標檢測器，非常適合計算機視覺應用。我們將YOLO連接到網(wǎng)絡攝像頭，并驗證它是否能保持實時性能，包括從攝像頭獲取圖像并顯示檢測結果的時間。

由此產(chǎn)生的系統(tǒng)是交互式和參與式的。雖然YOLO單獨處理圖像，但當連接到網(wǎng)絡攝像頭時，其功能類似于跟蹤系統(tǒng)，可在目標移動和外觀變化時檢測目標。系統(tǒng)演示和源代碼可以在項目網(wǎng)站上找到：http://pjreddie.com/yolo/。

五 結論

我們介紹了YOLO，一種統(tǒng)一的目標檢測模型。我們的模型構建簡單，可以直接在整張圖像上進行訓練。與基于分類器的方法不同，YOLO直接在對應檢測性能的損失函數(shù)上訓練，并且整個模型聯(lián)合訓練。

快速YOLO是文獻中最快的通用目的的目標檢測器，YOLO推動了實時目標檢測的最新技術。YOLO還很好地泛化到新領域，使其成為依賴快速，強大的目標檢測應用的理想選擇。

編輯：黃飛

?