YOLO 算不算深度学习模型？YOLO 算法的优势

论文地址：You Only Look Once: Unified, Real-Time Object Detection

创新点

YOLO实现了实时处理图片，达到45FPS；Fast YOLO达到155FPS，但是检测准确率不高。

优势：

1. 速度快。
2. 做预测时全局了解图像，对背景预测错误出现的概率比Fast R-CNN小。
3. YOLO学习目标的一般特征，具有较高通用性，应用到新领域，不太可能发生故障。

但是YOLO检测准确性不高，虽然可以快速识别图像中的对象，但是很难准确定位一些目标，尤其是小目标。

算法概述

YOLO使用整张图片的特征预测bounding box。

1. 将图片分为的网格。如果某个目标中心落在一个网格，则该网格负责检测该目标。有些目标中心点可能落在多个网格的边界，可通过nms进行筛选。
2.  每个网格预测个bounding box及其置信度。置信度反映了bounding box包含对象的信心程度，以及bounding box预测目标的准确程度。置信度定义为：。如果不含目标，则cnotallow=0，如果含有目标，则cnotallow=。
3. 每个bounding box包括5个预测值：及置信度。(x,y)表示bounding box中心坐标，与网格相关，训练过程将x,y,w,h进行归一化。
4. 每个网格预测个条件类别概率。不论每个网格中bounding box有多少个，每个网格只预测一组类别概率。
5. 在测试阶段，我们将条件类别概率与bounding box置信度相乘，，得到每个bounding box属于特定类别的confidence score。
6. 因此最终预测值变为的张量。

YOLO在VOC数据集上测试，参数

,因为VOC数据集含有20类，因此设置

，最终预测值为

的张量。

算法详解

1. 网络结构

YOLO网络有24个卷积层，紧跟2个全联接层，整体网络结构如图所示。

Fast YOLO网络使用较少卷积层，只有9个。

2. 训练过程

在ImageNet数据集上使用网络前20个卷积层紧接着一个平均池化层及一个全连接层进行预训练，我们添加4个卷积层和2个全连接层，并进行初始化。为了增加细粒度信息，我们将网络输入分辨率由提高到

网络最后一层采用线性激活函数，其他层采用pRelu（修正线性激活函数）:

3. 损失函数

作者采用sum-squared error（平方和）的方式把坐标误差和分类误差整合到一起。但如果二者的权值一致，容易导致模型不稳定，训练发散。因为很多grid cell是不包含物体的，因此grid cell的confidence score为0。所以采用设置不同权重方式来解决，一方面提高坐标误差的权重，另一方面降低不包含目标的bounding box的confidence loss权值，loss权重分别是,。而对于包含object的box的confidence loss权值还是原来的1。损失函数如下所示：

第一项Loss表示bounding box中心坐标误差，第二项Loss表示bounding box宽与高的误差，之所以使用平方根，为了提高对小目标的检测准确性。比如大目标w=8，预测值w=10；小目标w=1，预测值w=3.不采用平方根，对于大小目标误差相同为4；而采用平方根，对于大目标误差为0.11，小目标误差为0.54.

第三项与第四项分别为该网格的bounding boxes有目标与无目标情况下的confidence Loss。

第五项表示预测类别的误差。

实验结果

1. 实时性系统比较

YOLO在实时检测方面，准确性较高，相比于Faster R-CNN等非实时检测，虽然mAP较低，但FPS较高，满足实时性要求。

2. 误差分析

• Correct: correct class and IOU > :5
• Localization: correct class, :1 < IOU < :5
• Similar: class is similar, IOU > :1
• Other: class is wrong, IOU > :1
• Background: IOU < :1 for any object

YOLO相比于Fast R-CNN，有较多定位误差，Fast R-CNN有较多背景误判。

3. Fast R-CNN与YOLO结合

提升mAP，但是耗费时间增加。

4. VOC12上测试结果

5. YOLO在其他数据集上测试

YOLO算法缺点

1. 依照论文，每张图产生49个网格，98个bounding box，最多检测出49个目标，对于距离较近的成群小目标，检测效果差。
2. 定位不准。Loss主要来自于定位误差，小误差对小bounding box影响远大于同等误差对大bounding box影响。
3. 不擅长检测特征相似的某类物体，擅长实时检测多类物体。