论文阅读:YOLOv1

Introduction

YOLOv1是one-stage detector鼻祖、real-time detector鼻祖。

所谓one-stage&＃xff0c;即不需额外一个stage来生成RP&＃xff0c;而是直接分类回归出output&＃xff1a;

YOLOv1直接将整张图片分成 S×SS×S 的小格子区域&＃xff0c;每个区域生成 BB 个bbox（论文中B=2" role="presentation" >B=2$B=2$&＃xff09;&＃xff0c;每个bbox去预测中心点落在该格的物体。但是每个格子生成的所有BB个bbox共享 一个分类score：

因此，YOLOv1最后一层的输出是一个 S&＃x00D7;S&＃x00D7;(B&＃x2217;5+C)" role="presentation" >S×S×(B∗5+C)$S\times S\times (B\ast 5+C)$ 的 tensor 。
其中&＃xff0c;SS为每维的格子段数，B" role="presentation" >B$B$为每格生成的bbox数&＃xff0c;CC为前景类别数。

YOLOv1=24&＃x00D7;Conv+2&＃x00D7;FC" role="presentation" >YOLOv1=24×Conv+2×FC$YOLOv1=24\times Conv+2\times FC$&＃xff1a;

Note&＃xff1a;

• 经过权衡利弊&＃xff0c;YOLOv1采用了山寨版的GoogleNet作为basemodel&＃xff0c;而非VGG&＃xff1b;

• 在第24层时&＃xff0c;每个单点对应原图的感受野达到了782×782782×782。而原图只有448×448448×448&＃xff0c;覆盖了整张原图。也就意味着&＃xff0c;到了第24层的时候&＃xff0c;每个单点都能看到整张原图。更不要提第25、26层是两个fc操作了。

• 另外&＃xff0c;Fast YOLOv1&＃61;9×Conv&＃43;2×FCFastYOLOv1&＃61;9×Conv&＃43;2×FC。速度更快&＃xff0c;但精度也略低。

Innovation

• one-stage detector鼻祖、real-time detector鼻祖&＃xff0c;里程碑级的贡献。

• 从image pixel直达bbox cordination和class probability。

• 设计得很有新意&＃xff0c;直接输出每个bbox的cls和reg结果&＃xff08;同一条向量上&＃xff09;&＃xff0c;并把分为前景的bbox向量条打到图上。

• 每个grid只负责一个物体。这样自然将候选框数量大幅砍削到了 S×S×BS×S×B 。有效缓解了类别不平衡&＃xff0c;却也放弃了对每个ground truth框的大量试错机会。

Result

YOLOv1最大的优点就是“快”&＃xff0c;“灰常快”。YOLOv1的检测速度为 45 fps &＃xff1b;Fast YOLOv1甚至达到了 155 fps &＃xff1a;

不过作者自己也承认&＃xff0c;精度方面还是和two-stage系中的state-of-the-art水平是有差距的&＃xff1a;

但是&＃xff0c;虽然整体检测精度&＃xff08;mAP&＃xff09;不如你Fast R-CNN&＃xff0c;但是我对背景的检测精度比你高了一倍多啊&＃xff1a;

然而这么比就有点不公平了。YOLOv1只生成少量候选框的机制&＃xff0c;决定了遇到的背景框数量远少于Fast R-CNN&＃xff0c;因此受到类别不平衡问题的影响更小&＃xff0c;自然对背景框的检测精度就高啦。

Fast R-CNN &＃43; YOLOv1 的效果还比纯粹的Fast R-CNN高了2.3个点&＃xff1a;

在各种实验的过程中&＃xff0c;作者还惊喜地发现&＃xff0c;YOLOv1在艺术图片上的泛化性能也是一大亮点&＃xff1a;

以下第一排就是各种艺术画&＃xff1a;

拿艺术画的检测结果demo并放入论文中的做法&＃xff0c;也是很有新意。

Thinking

• 每个grid只负责一个物体。非常简单粗暴&＃xff0c;这明显是对实际场景数据的观察得到的结果。
  因为数据集中的大部分图片都是常规图片&＃xff0c;分布有秩&＃xff0c;大小合理。因此YOLOv1对于大部分常规图片检测是高效可行的。
  但是小部分非常规图片&＃xff08;两个以上物体的中心位置落入同一个grid&＃xff09;&＃xff0c;直接就把YOLOv1的mAP值给拉低了。

• 同时&＃xff0c;由于YOLOv1只针对最后7x7的特征图进行分析&＃xff0c;使得它对小目标的检测效果不佳。

• YOLOv1在鱼 (检测速度) 与熊掌 (检测精度) 中选择了短平快的方式&＃xff0c;突破two-stage的格局限制&＃xff0c;创造出one-stage。虽然离最高mAP还略有差距&＃xff0c;但是速度的暴涨&＃xff0c;让real-time detection成为现实。这一点&＃xff0c;YOLOv1功在千秋。

• YOLOv1由于精度太差&＃xff0c;而空有那么高的检测速度。因此在实际落地中&＃xff0c;基本不用YOLOv1。甚至连对实时性要求极高的自动驾驶&＃xff0c;也是使用的FPN(&＃43;Faster R-CNN)。

[1] You Only Look Once: Unified, Real-Time Object Detection
[2] YOLO - Google Slides
[3] 论文阅读笔记&＃xff1a;You Only Look Once: Unified, Real-Time Object Detection