一、概述
目標檢測的目的是將圖片或者視頻中感興趣的目標提取出來。例如對於貓和狗的檢測，我們不僅要用算法判斷圖片中是不是有貓和狗， 還要在圖片中標記出它的位置， 用邊框或紅色方框把貓和狗圈起來。其中“定位”的意思是判斷貓和狗在圖片中的具體位置。
圖1.目標檢測與其他計算機視覺任務示例
近幾年來，目標檢測算法取得了很大的突破。比較流行的算法可以分爲兩類，一類是基於Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它們是two-stage算法，需要先算法產生目標候選框，也就是目標位置，然後再對候選框做分類與迴歸。而另一類是YOLO，SSD這類one-stage算法，其僅僅使用一個卷積神經網絡CNN直接預測不同目標的類別與位置。第一類方法是準確度高一些，但是速度慢，但是第二類算法是速度快，但是準確性要低一些。如圖2所示。
圖2.幾種常見目標檢測算法速度與準確度比較（截止2016年）
二、YOLOv1
1.YOLO
YOLO：You Only Look Once，即你只需要看一次，就能夠檢測出目標。是目前最爲先進的目標檢測算法之一。
2.YOLOv1的核心思想
·YOLO 的核心思想就是利用整張圖作爲網絡的輸入，直接在輸出層迴歸 bounding box（邊界框）的位置及其所屬的類別。
·Faster-RCNN中也直接用整張圖作爲輸入，但是Faster-RCNN整體還是採用了RCNN 那種proposal+classifier的思想，也就是上面所說的two-stage。只不過提取proposal的步驟放在CNN中實現了，而YOLO則採用直接回歸的思路。
3.YOLOv1實現步驟
圖3.YOLOV1的實現步驟
（1）將圖像resize到448*448作爲神經網絡的輸入；
（2）運行神經網絡，得到bounding box座標、box中包含物體的置信度和class probabilities；
（3）進行非極大值抑制，得到最終結果。
4.YOLOv1具體流程
圖4-1.YOLOV1具體流程概圖
圖4-2.YOLOV1具體流程詳細圖
將一幅圖像分成 S*S 個網格（grid cell），如果某個 object 的中心落在這個網格中，則這個網格就負責預測這個 object。在論文當中將圖片分成7*7，共49個區域。
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預測的精準度兩重信息，其值是這樣計算的：
其中如果有object落在一個grid cell裏，第一項取1，否則取0。 第二項是預測的bounding box和實際的ground truth之間的IoU值。
同時每個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，記爲C類。則S*S個網格，每個網格要預測B個bounding box還要預測C個categories（類別）。輸出就是S *S * (5*B+C)的一個tensor。
舉個例子在PASCAL VOC（訓練集）中，圖像輸入爲448*448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7*7*30的一個tensor。
圖5.YOLOV1示例
5.YOLOv1網絡結構
YOLOv1的網絡結構借鑑了 GoogLeNet 。24個卷積層，2個全鏈接層。用1×1 reduction layers 緊跟 3×3 convolutional layers 取代Goolenet的 inception modules 。
但在這裏有一個小問題，就是在2015年的論文和2016年的論文中網絡結構和註釋有所不同，個人感覺2016年的標註在第一層網絡處有細微問題，如圖6-1和6-2所示。在本文中以2016年的論文爲準。
圖6-1.YOLOV1網絡結構(2015)
圖6-2.YOLOV1網絡結構(2016)
6.損失函數
在實現中，最主要的就是怎麼設計損失函數，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部採用了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），那麼就會將這些網格中的box的confidence push到0，相比於較少的有object的網格，這種做法是over powering的，這會導致網絡不穩定甚至發散。
針對上面的問題，作者提出瞭如下解決辦法：
第一，更重視8維的座標預測，給這些損失前面賦予更大的loss weight，記爲λcoord
，在Pascal VOC訓練中取5；
第二，對沒有object的box的confidence loss，賦予小的loss weight，記爲λnoobj
，在Pascal VOC訓練中取0.5；
第三，有object的box的loss和類別的loss的loss weight正常取1。
最終作者設計的損失函數如下：
每個grid有30維，這30維中，8維是迴歸box的座標，2維是box的confidence，還有20維是類別。 其中座標的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。具體實例如圖7所示。
圖7.YOLOV1損失函數分析
7.訓練
預訓練分類網絡：在ImageNet 1000-class competition dataset上預訓練一個分類網絡，這個網絡是YOLOv1的前20個卷積網絡+average-pooling layer+ fully connected layer （此時網絡輸入是224*224）。
圖8.兩個bounding box示意
每一個網格不僅僅要預測2個bounding box（如圖8所示）的座標（x, y ,w ,h）以及confidence（置信度）。還要預測類別信息，在論文中有20個categories，計算出20個類別的概率，概率最大的即爲對應的類別。
圖9.YOLOV1訓練過程中20個分類示意
8.缺點
·YOLO對相互靠的很近的物體，還有很小的羣體 檢測效果不好，這是因爲一個網格中只預測了兩個框，並且只屬於一類。
·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。
·由於損失函數的問題，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。
因爲YOLO系列比較長，所以最後還是決定分成兩個部分寫，相關文獻資料和參考鏈接會在下一篇放出！如果有問題，歡迎大家指正！
YOLOv2及YOLOv3：https://blog.csdn.net/lipengfei0427/article/details/103726333
