深入浅出说 Yolo

当我们谈起计算机视觉时，首先想到的就是图像分类，这是计算机视觉最基本的任务之一。在图像分类的基础上，有着更复杂和有意思的任务，如目标检测，物体定位，图像分割等。

其中目标检测是一件比较实际且具有挑战性的计算机视觉任务，可以把这看成图像分类与定位的结合。

给定一张图片，目标检测系要能够识别出图片的目标并给出其位置。图片中目标数是不定的，而且要给出目标的精确位置，可知目标检测相比分类任务更复杂。

目标检测的一个实际应用场景就是无人驾驶。在无人车上安装的目标检测系统，需要根据摄像头看到的情况，快速地检测出前面的行人与车辆，作出实时决策，保障无人驾驶的安全性与高效性。

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类：

第一类是基于 Region Proposal 的 R-CNN 系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是 two-stage 的，需要先使用启发式方法（selective search）或者 CNN 网络（RPN）产生 Region Proposal，然后再在 Region Proposal 上做分类与回归。

第二类是 Yolo、SSD 这类 one-stage 算法，其仅仅使用一个 CNN 网络直接预测不同目标的类别与位置。

第一类方法是准确度高一些，但是速度慢；第二类算法是速度快，但是准确性要低一些。

Yolo 算法，其全称是 You Only Look Once: Unified, Real-Time Object Detection

You Only Look Once 意指只需要一次 CNN 运算，Unified 指的是这是一个统一的框架，提供 end-to-end 的预测，而 Real-Time 则体现出 Yolo 算法速度快；

Yolo 的 CNN 网络将输入的图片分割成 S*S 的单元格，然后每个单元格负责去检测那些中心点落在该格子内的目标。

如下图，狗的中心点所在的单元格，负责检测到狗。

每个单元格会预测 B 个边界框（bounding box）以及边界框的置信度（confidence score）。所谓置信度其实包含两个方面，一是这个边界框含有目标的概率，二是这个边界框的准确度。

前者记为 Pr（Object），当该边界框是背景时（即不包含目标），此时 Pr（Object）=0 。而当该边界框包含目标时，Pr（Object）=1 。

边界框的准确度可以用预测框与实际框（ground truth）的 IOU（intersection over union，交并比）来表征，记为   。

因此置信度可以定义为  。

请注意 Yolo 的置信度并不仅仅是边界框是否含有目标的概率，也反映了边界框的准确度，是两个因子的乘积。

边界框的大小与位置可以用 4 个值来表征：（x，y，w，h） ，其中（x，y）是边界框的中心坐标，而 w 和 h 是边界框的宽与高。这样，每个边界框的预测值实际上包含 5 个元素：（x，y，w，h，c），其中前 4 个表征边界框的大小与位置，最后一个值是置信度。

还有分类问题，所以对于每一个单元格还要给出 C 个类别概率值，即由该单元格负责预测的边界框目标属于各个类别的概率。

总结一下，每个单元格需要预测（B*5+C）个值。如果将输入图片划分为 S*S 网格，那么最终预测值为 S*S*（B*5+C）大小的张量。整个模型的预测值结构如下图所示。

Yolo 采用卷积网络来提取特征，然后使用全连接层来得到预测值。

我们用 来表示每个单元格预测的类别信息，将其和边界框的置信度相乘，得到的值是单元格属于某一类的概率，即 class-specific confidence score。

得到每个单元格的 class-specific confidence score 后，设置阈值，滤掉得分低的单元格，对保留的单元格进行 NMS 处理，得到最终的检测结果。