1.创新和优缺点

​ YOLO 非常快。由于我们将检测视为回归问题，因此我们不需要复杂的管道。我们只是在测试时在新图像上运行我们的神经网络来预测检测。此外，YOLO 的平均精度是其他实时系统平均精度的两倍以上。

​ 当进行预测时，YOLO 对图像进行全局推理。与基于滑动窗口和区域提议的技术不同，YOLO 在训练和测试期间看到整个图像，因此它隐式编码了关于类及其外观的上下文信息。与 Fast R-CNN 相比，YOLO 的背景错误数量不到其一半。

​ YOLO 学习目标的可概括表示。当在自然图像上进行训练并在艺术品上进行测试时，YOLO 在很大程度上优于 DPM 和 R-CNN 等顶级检测方法。由于 YOLO 是高度可推广的，因此在应用于新领域或意外输入时不太可能崩溃。

​ YOLO 在准确性方面仍然落后于最先进的检测系统。虽然它可以快速识别图像中的物体，但它很难精确定位某些物体，尤其是小物体。

​ 很难泛化到具有新的或不寻常的纵横比或配置的目标。

2.算法流程

• 将输入图像划分为 S x S 的网格，如果目标的中心落入网格单元中，则该网格单元负责检测该目标。

• 每个网格单元预测 B 个边界框和这些框的置信度分数。这些置信度分数反映了模型对框包含目标的置信度，以及它认为框预测的准确度。正式地，我们将置信度定义为

  P

  r

  (

  O

  b

  j

  e

  c

  t

  )

  ∗

  I

  O

  U

  p

  r

  e

  d

  t

  r

  u

  t

  h

  Pr(Object) ∗IOU^{truth}_{pred}

  Pr(Object)∗IOUpredtruth​。如果该单元格中不存在目标，则置信度分数应为 0。否则，我们希望置信度得分等于预测框和真实边界框之间的交集（IOU）。

• 每个边界框由 5 个预测组成：x、y、w、h 和置信度。 (x,y) 坐标表示相对于网格单元边界的框中心，宽度和高度是相对于整个图像预测的，x、y、w、h 都进行归一化。最后，置信预测表示预测框和任何真实边界框之间的 IOU。

• 每个网格单元还预测 C 条件类概率，

  P

  r

  (

  C

  l

  a

  s

  s

  i

  ∣

  O

  b

  j

  e

  c

  t

  )

  Pr(Class_{i}|Object)

  Pr(Classi​∣Object)。这些概率以包含目标的网格单元为条件。我们只预测每个网格单元的一组类概率，而不管框 B 的数量。

• 每个框对于某一类别目标的置信度分数是
  

  P

  r

  (

  C

  l

  a

  s

  s

  i

  ∣

  O

  b

  j

  e

  c

  t

  )

  ∗

  P

  r

  (

  O

  b

  j

  e

  c

  t

  )

  ∗

  I

  O

  U

  p

  r

  e

  d

  t

  r

  u

  t

  h

  =

  P

  r

  (

  C

  l

  a

  s

  s

  i

  )

  ∗

  I

  O

  U

  p

  r

  e

  d

  t

  r

  u

  t

  h

  —

  —

  (

  1

  )

  Pr(Class_i|Object) ∗Pr(Object) ∗IOU^{truth}_{pred} = Pr(Class_i) ∗IOU^{truth}_{pred}—— (1)

  Pr(Classi​∣Object)∗Pr(Object)∗IOUpredtruth​=Pr(Classi​)∗IOUpredtruth​——(1)
  这些分数编码了该类别目标出现在框中的概率，以及预测的框与目标的匹配程度。

• 预测输出是 S x S x (B x 5 + C) 的张量

2.1.网络结构

​ 网络的初始卷积层从图像中提取特征，而全连接层预测输出概率和坐标。

​ 网络的最终输出是 7 × 7 × 30 的预测张量，特征图有 7 x 7 个格点，每个格点有 2 个边界框，预测 20 个目标类别。

2.2.训练

2.2.1.输入图像

​ 输入图像分辨率是 448 x 448

2.2.2.激活函数

​ 网络中最后一层使用线性激活函数，其它层使用 leaky 整流线性激活函数：

φ

(

x

)

=

{

x

，

x

>

0

0.1

x

，

o

t

h

e

r

w

i

s

e

—

—

(

2

)

φ(x)=\begin{cases} x，x>0\\ 0.1x， otherwise\end{cases}——(2)

φ(x)={x，x>00.1x，otherwise​——(2)

2.2.3.损失函数

​ 其中

1

i

o

b

j

1^{obj}_i

1iobj​ 表示目标是否出现在单元格 i 中，

1

i

j

o

b

j

1^{obj}_{ij}

1ijobj​ 表示单元格 i 中的第 j 个边界框预测器“负责”该预测。为增加边界框坐标预测的损失，并且减少了不包含对象的框的置信度预测的损失，设置

λ

c

o

o

r

d

λ_{coord}

λcoord​ = 5 和

λ

n

o

o

b

j

λ_{noobj}

λnoobj​ = .5。

2.2.4.学习率

​对于第一个 epoch，我们慢慢地将学习率从

1

0

−

3

10^{-3}

10−3 提高到

1

0

−

2

10^{-2}

10−2。如果我们以高学习率开始，我们的模型通常会因梯度不稳定而发散。我们继续用

1

0

−

2

10^{-2}

10−2 训练 75 个 epoch，然后用

1

0

−

3

10^{-3}

10−3 训练 30 个 epoch，最后用

1

0

−

4

10^{-4}

10−4 训练 30 个 epoch。

2.2.5.防止过拟合

​ 为了避免过度拟合，我们使用 dropout 和广泛的数据增强。在第一个连接层之后具有 rate = .5 的 dropout 层可防止层之间的协同适应。对于数据增强，我们引入了高达原始图像大小 20% 的随机缩放和平移。我们还在 HSV 色彩空间中随机调整图像的曝光度和饱和度，最高可达 1.5 倍。

2.3.推理

​ 当一个目标可能被多个网格单元预测时，用 NMS 进行处理，去除掉重复检测的边界框。

版权声明：本文为CSDN博主「ManiacLook」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ManiacLook/article/details/122102756