You Only Look Once[译]
*参考文章：
原论文地址：https://pjreddie.com/media/files/papers/yolo_1.pdf
深度学习检测方法梳理：http://www.cnblogs.com/venus024/p/5590044.html
YOLO：实时快速目标检测：https://zhuanlan.zhihu.com/p/25045711
Faster-RCNN详解:http://blog.csdn.net/u013832707/article/details/53641055
写在前面(当然paper中是没有的)
在YOLO出现之前还有一些常用的 Object Detection网络：RCNN -> Fast R-CNN -> Faster R-CNN,具体不同请参考博客
RCNN解决的是，“为什么不用CNN做classification呢？”
Fast R-CNN解决的是，“为什么不一起输出bounding box和label呢？”
Faster R-CNN解决的是，“为什么还要用selective search呢？”
Abstract
我们提出了一种新的object detection方法，先前的object detection工作使用了执行检测的分类器。相反，我们将object detection作为回归问题，以在空间上分离的bounding boxes和相关的 class probabilities进行框架化。单个神经网络在一次评估中直接从完整图像预测边界框和类概率。由于整个检测流水线是单个网络，因此可以直接在检测性能上进行端对端优化。
1. Introduction
人类只需要瞄一眼图片就能够知道图片中的信息，因为人类的视觉系统非常的快和准确，让我们实现复杂的任务，例如不怎么费力的开车。用于object detection的快速和准确的算法将允许计算机无需专门的传感器来驱动汽车，使辅助设备能够将实时场景信息传达给人类用户。
现在的检测系统重新使用了分类器来实现检测。为了检测一个对象，这些系统对该对象进行分类，并在测试图像中的各种位置和比例下进行评估。诸如可变形部件模型（DPM）的系统使用滑动窗口方法，其中分类器在整个图像上以均匀间隔的位置运行.
更先进的一点的方法（例如R-CNN）使用region proposal的方法在一张图片上产生bounding boxes，然后在这些boxes上执行分类。分类后，后处理用于微调bounding boxes，和消除重复检测，并根据场景中的其他对象重新确定框。这些复杂的途径难以优化，因为每个单独的组件必须分开训练。
我们把object detection视作一个单独的回归问题，直接从图像像素到bounding boxes坐标和类概率。使用我们的系统，您只需要看一眼就知道图片上有什么并且在哪里。（作者豪情万丈_）
*YOLO示意图*
YOLO是非常简单的：如上图。一个单个卷积神经网络能够同时预测多个bounding boxes以及他们的概率。YOLO在完整的图像上训练，能够直接优化检测性能。这种统一的模型比传统的object detection方法有几个好处。
- 快，非常快。我们的基础版在
Titan X GPU上可以达到45帧/s； 快速版可以达到150帧/s。因此，YOLO可以实现实时检测。 - YOLO采用全图信息来进行预测。与滑动窗口方法和
region proposal-based方法不同，YOLO在训练和预测过程中可以利用全图信息。Fast R-CNN检测方法会错误的将背景中的斑块检测为目标，原因在于Fast R-CNN在检测中无法看到全局图像。相对于Fast R-CNN，YOLO背景预测错误率低一半。
训练YOLO，然后采用艺术图像来预测。YOLO比其它目标检测方法（DPM和R-CNN）准确率高很多。
但是，YOLO的准确率没有最好的检测系统准确率高。YOLO可以快速识别图像中的目标，但是准确定位目标（特别是小目标）有点困难，我们将在实验中进行权衡。
2. Unified Detection（统一检测）
我们将object detection的单独组件统一为单个神经网络.我们的网络使用整个图像的特征来预测每个bounding boxes。他同时还可以预测所有的类的bounding boxes。YOLO的设计可实现端到端训练和实时检测，同时保持较高的平均精度。
（重点来了）
系统将输入的图片划分为S X S个小格子，如果物体的中心( 这里说的物体的中点应该是指ground truth box中的物体的中心 )落入到某一个小格中，则对应的小格负责检测这个物体。
每个小格子预测B个bounding boxes以及对应的置信度(confidence scores),这些置信度反映了box包含物体的信心以及准确度(自己体会)。我们定义置信度为Pr(Object) ∗ IOUtruthpred.如果box中不存在物体，那么confidence scores为0（即意味着Pr(Object) =0），否则，我们希望预测的置信值和ground truth的intersection over union (IOU)相同（即意味着Pr(Object) =1）。
每个bounding box由五个预测值组成:x,y,w,h和confidence。(x,y)坐标表示相对于网格单元边界的框的中心。(w,h)为与全图信息相关的box的宽和高。confidence代表了predicted box和任何 ground truth box的IOU。
每个网格单元还预测 C 条件类概率Pr(Classi|Object)，这些概率适用于包含对象的网格单元格，概率值C代表了格子包含一个目标的概率，每个小格子只预测一组类概率，而不考虑框B的数量。在测试时，每个box通过类别概率和box置信度相乘来得到特定类别置信度：
*特定类别的置信度*
这个分数代表该类别出现在box中的概率和box和目标的合适度
For evaluating YOLO on PASCAL VOC, we use S = 7,
B = 2. PASCAL VOC has 20 labelled classes so C = 20.
2.1 Network Design（网络结构）
模型采用卷积神经网络结构。开始的卷积层提取图像特征，全连接层预测输出概率。模型结构类似于GoogleNet，如下图所示。我们还训练了YOLO的快速版本（fast YOLO）。Fast YOLO模型卷积层和filter更少。最终输出为7×7×30的tensor。
*YOLO架构图*
每个grid有30维，这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。 其中坐标的x,y用对应网格的offset归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。
图片来自[知乎专栏](https://zhuanlan.zhihu.com/p/24916786)
2.2 Training
-
采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用图2-2网络中的前20卷积层，外加
average pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。 -
将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224-->448×448）
-
最终层预测类概率和
bounding boxes坐标。 通过图像宽度和高度将边界框宽度和高度归一化，使得它们落在0和1之间。我们将边界框x和y坐标参数化为特定网格单元位置的偏移，使得它们也在0和1之间 。 -
顶层采用linear activation，其它层使用 leaky rectified linear。
*Leaky rectified linear activation*
- 使用
sum-squared error,因为很容易优化，但它不完全符合我们的最大化平均精度的目标。预测概率的维数比预测bounding box的维数要高，把他们同等对待是不理想的。此外，在每个图像中，许多网格单元不包含任何对象。 这将这些网格单元的“置信度”为零，通常压倒包含对象的网格的梯度。 这可能导致模型不稳定，导致训练早期发散。为了弥补这一点，采用一个办法就是加权，赋予不同的权值，对于Pr(object)=0的格子令 λ_noobj = 0.5,对于Pr(object)=1的格子令 λ_coord = 5. - 对不同大小的
bounding 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。因此预测边界框宽度和高度的平方根，而不是宽度和高度（因为平方根函数的图像随着x的增大会变得平缓）.
图片来自[知乎专栏](https://zhuanlan.zhihu.com/p/24916786)
- loss function
*The Loss Function*
loss function由五部分组成：(其中1iobji表示如果对象出现在单元格 i 中，表示如果对象出现在单元格i中，1iobjij表示网络单元格 i 中的第 j 个 bounding box预测器对于该预测的
object是 responsible的)
*Part 1 `(x,y)`的 `loss`*
*Part 2 `(w,h)`的 `loss`*
*Part 3 含预测的 `object`每个
`bounding box`的 `confindence`的 `loss`*
*Part 4 不含预测的 `object`每个
`bounding box`的 `confindence`的 `loss`*
*Part 5 `class probability`的 `loss`,是对每个 `grid`而言，而不是 `bounding box`*
Note
- 只有当某个网格中有object的时候才对classification error进行惩罚。
- 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。
2.3 Inference
对于PASCAL VOC数据集，模型需要对每张图片预测98个bounding box和对应的类别。对于大部分目标只包含一个box；其它有些面积大的目标包含了多个boxes，采用了Non-maximal suppression（非最大值抑制）来提高准确率。
2.4 Limitations
- YOLO的每一个网格只预测两个boxes，一种类别。这导致模型对相邻目标预测准确率下降。因此，YOLO对成队列的目标（如 一群鸟）识别准确率较低。
- YOLO是从数据中学习预测
bounding boxes，因此，对新的或者不常见角度的目标无法识别。 - YOLO的loss函数对
small bounding boxes和large bounding boxes的error平等对待，影响了模型识别准确率。因为对于小的bounding boxes，small error影响更大。
3. Comparison to Other Detection Systems && Experiments
挖个坑以后补上 _
使用训练好的模型进行object detection(基于linux)
- 安装Darknet
git clone https://github.com/pjreddie/darknet.git
cd darknet
make
- 下载所需的权重文件
cd darknet/
wget http://pjreddie.com/media/files/yolo.weights
- 测试，可以是data文件夹下的图，也可以是自己的图
./darknet detect cfg/yolo.cfg yolo.weights data/test.jpg
测试图
效果图，棒棒哒
才发现有一个ppt:强烈推荐
未明白的问题：欢迎各位解答或者批评指正
- 通过图像宽度和高度将边界框宽度和高度归一化，使得它们落在0和1之间。
但是是怎么将边界框x和y坐标归一化呢，在好像并没有具体的解释或者没太懂作者的解释。
