Reference link:http://blog.csdn.NET/tangwei2014

這是繼RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神掛名的又一大作，起了一個很娛樂化的名字：YOLO。 雖然目前版本還有一些硬傷，但是解決了目前基于DL檢測中一個大痛點，就是速度問題。 其增強版本GPU中能跑45fps，簡化版本155fps。

論文下載：http://arxiv.org/abs/1506.02640 代碼下載：https://github.com/pjreddie/darknet

本篇博文focus到方法上。實驗結果等整理全了再奉上。 1. YOLO的核心思想

YOLO的核心思想就是利用整張圖作為網絡的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別。

沒記錯的話faster RCNN中也直接用整張圖作為輸入，但是faster-RCNN整體還是采用了RCNN那種 PRoposal+classifier的思想，只不過是將提取proposal的步驟放在CNN中實現了。

2.YOLO的實現方法

每個網格要預測B個bounding box，每個bounding box除了要回歸自身的位置之外，還要附帶預測一個confidence值。 這個confidence代表了所預測的box中含有object的置信度和這個box預測的有多準兩重信息，其值是這樣計算的：  其中如果有object落在一個grid cell里，第一項取1，否則取0。 第二項是預測的bounding box和實際的groundtruth之間的IoU值。

每個bounding box要預測(x, y, w, h)和confidence共5個值，每個網格還要預測一個類別信息，記為C類。則SxS個網格，每個網格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。 注意：class信息是針對每個網格的，confidence信息是針對每個bounding box的。

舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。 整個網絡結構如下圖所示： 

在test的時候，每個網格預測的class信息和bounding box預測的confidence信息相乘，就得到每個bounding box的class-specific confidence score: 等式左邊第一項就是每個網格預測的類別信息，第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬于某一類的概率，也有該box準確度的信息。

得到每個box的class-specific confidence score以后，設置閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結果。

3.YOLO的實現細節

每個grid有30維，這30維中，8維是回歸box的坐標，2維是box的confidence，還有20維是類別。 其中坐標的x,y用對應網格的offset歸一化到0-1之間，w,h用圖像的width和height歸一化到0-1之間。

在實現中，最主要的就是怎么設計損失函數，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部采用了sum-squared error loss來做這件事。 這種做法存在以下幾個問題： 第一，8維的localization error和20維的classification error同等重要顯然是不合理的； 第二，如果一個網格中沒有object（一幅圖中這種網格很多），那么就會將這些網格中的box的confidence push到0，相比于較少的有object的網格，這種做法是overpowering的，這會導致網絡不穩定甚至發散。 解決辦法：

對不同大小的box預測中，相比于大box預測偏一點，小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。 為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發生偏移時，反應到y軸上相比大box要大。 

一個網格預測多個box，希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。

4.YOLO的缺點

YOLO對相互靠的很近的物體，還有很小的群體 檢測效果不好，這是因為一個網格中只預測了兩個框，并且只屬于一類。

對測試圖像中，同一類物體出現的新的不常見的長寬比和其他情況是。泛化能力偏弱。

由于損失函數的問題，定位誤差是影響檢測效果的主要原因。尤其是大小物體的處理上，還有待加強。