YOLO V1

Introduction（模型介绍）

1. YOLO V1在当时的速度非常快，FastYOLO可以达到150FPS。
2. 它的背景误判率小于Faster RCNN，由于它直接提取全图的特征（前景与背景的关系），而后者则是提取候选框的特征。
3. 迁移学习效果好。
4. 在小目标上表现不佳。

Network Design（网络设计）

Backbone（骨干网络）

yolo的骨干网络是一个很简单网络，总体类似于VGG，采用3 * 3的卷积，最后全连接层输出4096维的向量，然后在跟一个全连接 （7 * 7 * 30）1430维的向量， 然后把它 resize成 7 * 7 * 30的一个tensor，这里面的每一个channel维就对应了一个单元格。

Grid Cell（单元格）

它把输入的一张图像分成 S * S 的网格（原文S=7），如果标注框的中心落在其中的一个 单元格，那么这个单元格就负责预测这个标注框对应的类别。每个单元格预测B个bounding box，每个bounding box 包含 四个坐标（x,y,w,h），和一个confidence。

其中这四个坐标为：x ，y 是bounding box的中点，用gird cell 左上角的偏移量表示，wh是相对于原图的大小，它们都是被归一化的。

confidence 的公式为：

其中 Pr(object)为gird cell是否包含物体中心的概率，非0即1，后者表示如果gird cell 负责预测某一类别，它的标注框与预测框的IOU。
其中每个gird cell还会预测每个类别的概率，公式为：

其中第一项就这个gird cell在负责预测某一类别的情况下，所有类别的softmax概率。
那么我们用什么样的feature来代表gird cell 呢？

根据骨干网络输出的feature，每一个channel维就是每一个 gird cell 的 feature。

那么最终模型会输出 S * S *（5B+C）shape 的 tensor。

Loss Function（损失函数）

均方误差对需要细粒度的目标检测任务比较敏感，所以大部分都采用均方误差。

这里我们首先解释$\lambda$，由于作者发现大部分的 gird cell 不负责预测物体，那么它们就没有坐标，只有背景的confdence，而这部分占大多数，就会掩盖住有物体的gird cell 所产生的loss，所以把下标为 coord的lambda 设为5，noobj设置为0.5，以便均衡两者。

其中对不同尺度的IOU而言，当他们的偏移量一致的时候，小的bounding box 产生的误差要更大，所有为 w h 去根号，小的wh 会获得较小的loss，反之较大。

Training

首先把骨干网络 在Image Net上跑一遍，达到了很好的精度后，然后把权重拿到yolo，把input size 改为 448 * 448 因为检测任务对feature map 细粒度要求大。
激活函数采用 Leaky relu，根据训练epoch衰减lr， dropour =0.5. 数据增强。

小结

YOLO以速度见长，处理速度可以达到45fps，其快速版本（网络较小）甚至可以达到155fps。这得益于其识别和定位合二为一的网络设计，而且这种统一的设计也使得训练和预测可以端到端的进行，非常简便。
不足之处是小对象检测效果不太好（尤其是一些聚集在一起的小对象），对边框的预测准确度不是很高，总体预测精度略低于Fast RCNN。主要是因为网格设置比较稀疏，而且每个网格只预测两个边框，另外Pooling层会丢失一些细节信息，对定位存在影响。 更多细节请参考原论文。