传火：YOLO V1

YOLO V1

概览

YOLO是You Only Look Once的简称，和人眼识别物体一样，看一眼就能识别出来，YOLO力求实现端到端的目标检测，只用一个简单的神经网络结构，从单张图片就可以输出图中目标的位置和目标的种类，而且因为其没有其他检测网络的复杂结构（说的就是你，Faster RCNN），所以其检测速度很快，可以实现实时的目标检测。

YOLO诞生之前 – 无火的时代

在YOLO之前，目标检测的方法是从图像分类衍化而来，毕竟检测的第一步确实是将图片中的目标弄出来，而弄出来靠的就是先分类再定位，最后再对分出来的目标进行识别。
比较经典的是RCNN，利用区域推荐去估计目标位置（bonding box），再用卷积网络提取特征，作为后续SVM分类bonding box的依据，最后用线性模型调整box的位置，非极大值抑制（NMS）来去除重复的框。
基于RCNN，还有提升了速度的Fast & Faster RCNN，所做的改进在于减少了重复计算以及将区域推荐也用网络来实现。
像RCNN这种具有复杂pipeline的目标检测方法自然是耗时冗长而无法用于实时检测的，尽管其精度很高，却也因此无法大规模用于实际场景。

YOLO的诞生 – 传火的钟声响起

YOLO的目标很明确–实现实时的目标检测。而为了速度，就必须舍弃无效的动作，一击制敌。所以YOLO将目标检测做成了回归的形式，输入是图片，输出就是图片中目标的位置、种类，这么复杂的任务似乎也需要同样复杂的网络，但是YOLO只用了卷积层和全连接层，实现了天下武功，唯快不破。

而背后的原因是什么呢？众所周知，神经网络可以在问题和答案之间探索最佳的拟合方式，从而实现问题到答案的完美映射，取代了以往人工的算法设计；而使用神经网络的人呢，需要钻研的，就是问题的提问方式和答案的表示方式，以确保问题与答案相对的解空间中存在合理的拟合（人为定义的合理），以及探索如何指导神经网络朝正确的方向拟合过去和拟合的好坏（损失函数的设计）。

那么对于YOLO来说，他的问题（输入）是一张图片，答案则是一个$(S\times S\times (5\times B+C))$的张量。为什么这么设计答案？其合理性在于将原图分为S*S个小块，每个块内都有B个（论文中是2个，互相垂直）预测框（bonding box）的同一中心，每个框有5个参数$(x,y,w,h,confi)$，x，y是框的中心相对于小块中心的偏移，w，h是框的边长，congfi则是这个框预测结果的置信度，即预测框与真值框的IOU。同时对应于C个种类有C个预测值，如果一个目标的中心落在某个小块内，则这个块的框就负责该目标的预测。这些就构成了答案的维度。如下图所示。

图片来自传送门
如此定义，从问题到解空间就存在合理的映射，而如何指导网络学习这种映射，就涉及到损失函数的设计。
YOLO的损失函数采用的是平方和的形式，答案张量中的每一个部分都在损失函数中有所对应。如下图：

loss的每个部分的对应如下：

图片来自传送门
loss的第一部分是预测框的中心和大小，第二部分是bonding box的IOU，第三部分是分类误差。值得注意的是该loss虽然是所有块loss的总和，但是因为0-1系数的存在，只有当块负责某个目标时，才会有类别loss，只有当bbox对应于真值框时，才会有位置loss，这里的对应指的是bbox与真值的IOU最大。
为了平衡loss的各个部分，作者还加入了多个权重。比如让位置loss和类别loss同等重要是不合理的，毕竟是位置要优先于类别判断，所以在位置loss前增加了权重调节（论文中为5）。对于不存在目标的bbox的IOU loss，我们希望它的IOU越小越好，但因为大多数块都没有目标，所以在前面加入一个缩小权重的系数（论文中为0.5）。
而对于大小目标的检测来说，小目标检测出现的位置偏移误差更为难以忍受，所以在计算的时候，作者对于框的大小(w,h)开了方，因为在w，h越小的时候，相同的$\delta w,\delta h$，$\sqrt{w},\sqrt{h}$展现的loss更大，这点很巧妙。

YOLO的缺陷 – 阿克琉斯之踵

YOLO V1因为机制的原因，存在的缺陷也很好理解。

• 无法检测大片的，靠近的目标，如鸟群。
• 尽管用了平方根的方法，大小目标检测在loss中的差异不明显，导致位置预测仍是主要误差来源。
• 输入是固定的，且因为下采样导致特征不精确。

更多YOLO的实现细节，可以移步传送门