Yolo（You Only Look Once）是一個end-to-end的目標檢測演算法。作者在論文中提出，人類的視覺系統是快速和準確的， 人們瞥一眼影象，立即知道影象中的物體是什麼，它們在哪裡以及它們如何相互作用。而對於Rcnn系列的方法，都是需要先找到有可能有物體的框(anchor box)，然後進行前背景分類，nms消除重疊框，重新進行座標迴歸和分類，這個流程就比較複雜，並且每個步驟的元件的優化都比較麻煩，無論是訓練還是最終的測試，速度都非常慢。

因此，yolo的作者提出，將目標檢測的問題轉化為一個迴歸問題，只通過一個步驟就能找到目標的位置。

Yolo的檢測步驟：

1. 將影象劃分成
   S×S$S\times S$的網格，如果一個目標物體的中心點落在一個網格中，那麼這個網格就負責預測這個目標。
2. 每個網格預測B個邊框和置信度分數。
3. 邊框用x,y,w,h$x,y,w,h$表示，(x,y)$(x,y)$表示目標邊框的中心相對於網格的位置（論文裡沒說是相對於網格的中心還是左上角之類的，實際情況兩種應該沒什麼差別），而w,h$w,h$是相對於整個影象的大小。
4. 置信度表示預測框與實際框之間的IOU。
5. 每個網格還預測C$C$個類的概率Pr(Classi|Object)$Pr(Clas{s}_i|Object)$，也就是在這個網格有物體的情況下，是某個類的概率。值得一提的是，一個網格只預測一組類的概率，和預測的框的數量B$B$沒有關係。
6. 最終，網路的輸出就為S×S×(B∗5+C)$S\times S\times (B\ast 5+C)$的tensor。

一些細節的討論：

1. yolo的輸出就是一個S×S×(B∗5+C)$S\times S\times (B\ast 5+C)$的tensor，其實最終就是跟了一個全連線，只是人為的將輸出劃分為有意義的部分。
2. 把輸入圖劃分成S×S$S\times S$的網格很好理解，但是為什麼每個網格預測B$B$個框，卻只預測了一組類呢？這也是我開始讀yolo的時候覺得很奇怪的地方。我們可以設想一下這兩種情況：（1）兩個或多個同類物體的中心在同一個網格中， （2） 兩個或多個不同類物體的中心在同一個網格中。這兩種情況，yolo的訓練是如何進行的？在參考了一些原始碼之後，我得出的結論是，yolo放棄了一個網格中預測多個不同類的能力，預設每個網格只能有一個類，這也導致一個網格最多預測出B個同類的框。可以看出來，這種結構也導致了yolo對於密集物體檢測效果不好。還有，在訓練的時候，如果有多個物體落在同一個網格中，那麼yolo只能選擇一個（darknet原始碼把yolo幾個版本都雜糅進去，不太好看，但是看了幾個其他版本的程式碼是這樣的）。
3. 按照作者的說法，預測B$B$個框，可以讓每個predictor變得“專業化”，簡單來說，每個predictor “擅長”預測特定的大小，方向，或者類別的物體，這有助於提高整體的recall。
4. yolo在優化框的時候，座標使用平方和誤差，對於寬和高同樣使用平方和誤差，但是優化的目標從w,h$w,h$改為w−−√,h−−√$\sqrt{w},\sqrt{h}$，作者的解釋是，對於同樣小的誤差來說，小的框有這種誤差遠比大的框有這種誤差要更糟糕一些，所以取了平方根，期望能夠在框的size小的時候能有相對較大的loss。
5. 關於置信度， 給出的置信度包含了兩部分，一個是該box包含物體的可能性，另一個是這個box框的有多準。用公式來描述就是：Pr(Object)∗IOUtruthpred$Pr(Object)\ast IO{U}_{pred}^{truth}$。
6. 最後測試的時候，用置信度乘分類概率，一個框就可以得到一個特定的置信度分數，這個分數代表了某類在框中的概率以及框的準確率。用公式描述就是： Pr(Classi|Object)∗Pr(Object)∗IOUtruthpred=Pr(Classi)∗IOUtruthpred$Pr(Clas{s}_i|Object)\ast Pr(Object)\ast IO{U}_{pred}^{truth}=Pr(Clas{s}_i)\ast IO{U}_{pred}^{truth}$

網路結構與訓練

下圖就是yolo的網路結構，其中S=7,B=2,C=20$S=7,B=2,C=20$

在訓練yolo的時候，作者發現，大部分的網格中是沒有物體的，這就導致了，訓練中，這些網格的梯度“主導”了整個訓練，導致一開始，置信度都趨向於0，模型很容易就“訓飛”。

因此，在訓練的時候，作者對這兩部分loss進行了加權，邊框預測的loss，引數為λcoord=5${\lambda }_{coord}=5$, 不包含物體的部分的loss，引數為λnoobj=0.5${\lambda }_{noobj}=0.5$。

下面是訓練的損失函式：

其中， 1objij$1_{ij}^{obj}$表示，在第i$i$個網格，由j$j$負責的框中是否有物體。1noobjij$1_{ij}^{noobj}$表示，在第i$i$個網格，由j$j$負責的框中是否沒有物體。1obji$1_i^{obj}$表示，在第i$i$個網格中是否存在物體。對於第三行，也就是在這個框內有物體的時候，預測分類沒問題，但是第四行，這個框內就沒有物體，這時ground truth的分類是什麼呢？參考程式碼，我的結論是，這裡的ground truth是不屬於任何類，這不代表我們要把分類的數量增加一個維度。在神經網路中，分類的輸出通常用one hot 編碼表示，也就是一個1×C$1\times C$的向量，第i$i$類就讓

相關推薦

目標檢測——細讀YOLO V1

Yolo（You Only Look Once）是一個end-to-end的目標檢測演算法。作者在論文中提出，人類的視覺系統是快速和準確的， 人們瞥一眼影象，立即知道影象中的物體是什麼，它們在哪裡以及它們如何相互作用。而對於Rcnn系列的方法，都是需要先找到有可

[深度學習]Object detection物體檢測之YOLO v1(6)

目錄 與以往rcnn，SPPNet，fast rcnn，faster rcnn的不同 YOLO的特點 YOLO的流程 YOLO的網路結構圖 YOLO的loss function YOLO的侷限 YOLO的實驗結果 論文全稱：《You Only Look Once:

深度學習目標檢測之YOLO系列

近年來目標檢測流行的演算法主要分為兩類：1、R-CNN系列的two-stage演算法（R-CNN、Fast R-CNN、Faster R-CNN），需要先使用啟發式方法selective search或者CNN網路RPN產生候選區域，然後在候選區域上進行分類和迴歸，準確度高但

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略     Yolo系列的論文簡介 1、Yolo V1簡介   2、Yolo V2簡介   3、Yolo V3簡介   &

目標檢測之YOLO系列

文章目錄 YOLO 整體結構 YOLO的核心思想 實現方法 損失函式 訓練 預測 優缺點 YOLO-V2 模型結構 改進策略 訓練

目標檢測之YOLO，SSD

在深度學習出現之前，傳統的目標檢測方法大概分為區域選擇（滑窗）、特徵提取（SIFT、HOG等）、分類器（SVM、Adaboost等）三個部分，其主要問題有兩方面：一方面滑窗選擇策略沒有針對性、時間複雜度高，視窗冗餘；另一方面手工設計的特徵魯棒性較差。自深度學習出現之後，目標檢測取得了巨大的突破，最矚目的兩個

對目標檢測方法yolo的理解 （二）

本文轉載自： http://blog.csdn.net/u011534057/article/details/51244354 Reference link: http://blog.csdn.NET/tangwei2014 這是繼RCNN，fast-RCNN 和

深度學習（四）——目標檢測演算法YOLO的訓練和檢測過程的基本思路介紹

      基礎知識掌握情況決定研究的高度，我們剛開始接觸深度學習時，一般都是看到別人的概括，這個方法很好能讓我們快速上手，但是也有一個很大的缺點， 知識理解的不透徹，導致我們對演算法優化時一頭霧水。我也是抱著知識總結的思想開始自己的深度學習知識精髓的探索，也希望能從中幫助到

第三十六節，目標檢測之yolo原始碼解析

在一個月前，我就已經介紹了yolo目標檢測的原理，後來也把tensorflow實現程式碼仔細看了一遍。但是由於這個暑假事情比較大，就一直擱淺了下來，趁今天有時間，就把原始碼解析一下。關於yolo目標檢測的原理請參考前面一篇文章：第三十五節，目標檢測之YOLO演算法詳解 在講解原始碼之前，我們需要做一些準備工作

第三十五節，目標檢測之YOLO演算法詳解

YOLO的全拼是You Only Look Once，顧名思義就是隻看一次，把目標區域預測和目標類別預測合二為一，作者將目標檢測任務看作目標區域預測和類別預測的迴歸問題。該方法採用單個神經網路直接預測物品邊界和類別概率，實現端到端的物品檢測。因此識別效能有了很大提升，達到每秒45幀，而在快速YOLO(Fas

【目標檢測】YOLO: You Only Look Once

Redmon, Joseph, et al. “You Only Look Once: Unified, Real-Time Object Detection.” (2015):779-788. 概述 目標檢測中的RCNN系列1演算法遵循2-st

目標檢測（九）--YOLO v1,v2,v3

YOLO v1 這是繼RCNN，fast-RCNN和faster-RCNN之後，rbg（RossGirshick）針對DL目標檢測速度問題提出的另外一種框架。YOLO V1其增強版本GPU中能跑45fps，簡化版本155fps。 1. YOLO的核心思想 YOL

caffe深度學習【九】目標檢測 yolo v1的caffe實現 基於VOC2007資料集

        YOLO v1演算法原文的作者是在darknet框架下實現的， 原文作者的實現    ，這裡主要講的是caffe版本的YOLO實現，主要採用yeahkun寫的：點選開啟連結  其實只是步驟相對來說有點繁瑣，但是要跑通並不困難： 大致步驟包括： 1、編譯ca

目標檢測--YOLO v1,v2,v3

YOLO v1 這是繼RCNN，fast-RCNN和faster-RCNN之後，rbg（RossGirshick）針對DL目標檢測速度問題提出的另外一種框架。YOLO V1其增強版本GPU中能跑45fps，簡化版本155fps。 1. YOLO的核心思想 Y

目標檢測算法—YOLO-V1

png 式表 and ESS class rop data- specific spec 為什麽會叫YOLO呢？ YOLO：you only look once。只需要看一眼，就可以檢測識別出目標，主要是突出這個算法 快 的特點。（原文：Yolo系列之前的文章：主要是rcn

深度學習目標檢測 caffe下 yolo-v1 yolo-v2 vgg16-ssd squeezenet-ssd mobilenet-v1-ssd mobilenet-v12-ssd

1、caffe下yolo系列的實現1.1 caffe-yolo-v1我的github程式碼 點選開啟連結yolo-v1 darknet主頁 點選開啟連結上面的caffe版本較老。對新版的cudnn支援不好，可能編譯出錯，需要修改 cudnn.hpp標頭檔案在次進行編譯，修改後

學習筆記-目標檢測、定位、識別（RCNN，Fast-RCNN, Faster-RCNN，Mask-RCNN，YOLO，SSD 系列）

0. 前言 說到深度學習的目標檢測，就要提到傳統的目標檢測方法。 傳統的目標檢測流程： 1）區域選擇（窮舉策略：採用滑動視窗，且設定不同的大小，不同的長寬比對影象進行遍歷，時間複雜度高） 2）特徵提取（SIFT、HOG等；形態多樣性、光照變化多樣性、背景多樣性使得特徵魯棒性差）

一文讀懂目標檢測 R-CNN Fast R-CNN Faster R-CNN YOLO SSD

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！        

[目標檢測]YOLO原理

本文轉自：https://www.cnblogs.com/fariver/p/7446921.html 1 YOLO 創新點： 端到端訓練及推斷 + 改革區域建議框式目標檢測框架 + 實時目標檢測 1.1 創新點 (1) 改革了區域建議框式檢測框架: RCNN系列均需要生成建議框，在

一文帶你學會使用YOLO及Opencv完成影象及視訊流目標檢測（上）|附原始碼

計算機視覺領域中，目標檢測一直是工業應用上比較熱門且成熟的應用領域，比如人臉識別、行人檢測等，國內的曠視科技、商湯科技等公司在該領域佔據行業領先地位。相對於影象分類任務而言，目標檢測會更加複雜一些，不僅需要知道這是哪一類影象，而且要知道影象中所包含的內容有什麼及其在影象中的位置，因此，其工業應用比較廣泛。那麼