YOLO论文阅读 ⽬标检测： You Only Look Once: Unified, Real-Time Object Detection 2018.12.20
You only look once (YOLO) is a state-of-the-art, real-time object detection system. On a Pascal Titan X it processes images at 30 FPS and has a mAP of 57.9% on COCO test-dev
https://pjreddie.com/darknet/yolo/
YOLO核心思想：
从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路： 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 目标检测（Object Detection） 的问题转化成一个 回归（ Regression ）问题)。
摘要
1、之前的目标检测方法采用目标分类思想解决检测问题，本文提出一个基于回归的框架，用于目标的定位及识别。
2、一个网络，一次预测即可获得目标的检测框（bounding boxs）和 类别概率。
3、所提目标检测框架运算速度非常快。在Titan X 上，基本YOLO 模型45帧/S。简化版本Fast YOLO模型可达到155F/s.
4、相比其他检测器，yolo定位误差较大，但是flase positive 较少。
5、YOLO泛化能力较高。
引言
1、现有目标检测框架典型的有滑窗检测（如 DPM算法）和Region proposal方式（如 RCNN）。
2、YOLO将目标检测是为回归问题。通过像素值直接预测bboxes和类别概率。
3、YOLO通过全图训练网络，并优化检测器性能，该方式有如下优势：
1）YOLO fast.因为基于回归的框架简单，不需要额外复杂流程
2）YOLO 检测目标时，利用全图信息。与滑窗和基于候选框的检测技术不同，ＹＯＬＯ在训练及检测的时候不仅利用目标特征还学习上下文信息。Ｆａｓｔｅｒ ＲＣＮＮ产生虚警的愿意是没用利用上下文信息。
３）ＹＯＬＯ学习泛化的目标信息。 在精度上相差很多。
大致流程：
Resize成448448，图片分割得到77网格(cell)
CNN提取特征和预测：卷积部分负责提特征。全链接部分负责预测：a) 772=98个bounding box(bbox) 的坐标
和是否有物体的confidence 。 b) 7*7=49个cell所属20个物体的概率。
过滤bbox（通过nms）
图2：模型。我们的系统模型抽象为一个回归问题。它将图片分为一个一个的网格并且同时地预测边界框、置信分数以及类别概率。这些预测将被编码为S×S×(B*5+C)的张量。
(通用公式： SxS个网格，每个网格要预测B个bounding box还要预测C个categories，输出就是S x S x (5*B+C)的一个tensor。 注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的）
统一的检测器：
2.1网络设计：特征提取层+额外分类检测层
受GoogleLetnet 网络设计启发。（ GoogleLetnet共22层，考虑pooling 层，共27层。后接平均池化层，并送入分类器）
YOLO网络设计共24层卷积层，后接2层全链接层。 （用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）
预训练分类网络： 在 ImageNet 1000-class competition dataset上预训练一个分类网络，这个网络是Figure3中的前20个卷机网络+average-pooling layer+ fully connected layer （此时网络输入是224224）。
训练检测网络：转换模型去执行检测任务，《Object detection networks on convolutional feature maps》提到说在预训练网络中增加卷积和全链接层可以改善性能。在他们例子基础上添加4个卷积层和2个全链接层，随机初始化权重。检测要求细粒度的视觉信息，所以把网络输入也又224224变成448*448。见Figure3。
一幅图片分成7x7个网格(grid cell)，某个物体的中心落在这个网格中此网格就负责预测这个物体。一幅图片分成7x7个网格(grid cell)，某个物体的中心落在这个网格中此网格就负责预测这个物体。
最后一层输出为 （77）30的维度。每个 1130的维度对应原图77个cell中的一个，11*30中含有类别预测和bbox坐标预测。总得来讲就是让网格负责类别信息，bounding box主要负责坐标信息(部分负责类别信息：confidence也算类别信息)。具体如下：
每个网格还要预测类别信息，论文中有20类。7x7的网格，每个网格要预测2个 bounding box 和 20个类别概率，输出就是 7x7x(5x2 + 20) 。 (通用公式： SxS个网格，每个网格要预测B个bounding box还要预测C个categories，输出就是S x S x (5*B+C)的一个tensor。 注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的）
损失函数设计：
2.4 测试
Test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘。
说白了，就是预测置信度与类别概率的乘积。