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

1、核心思想

将整张图片作为网络的输入，直接在输出层对 BBox 的位置和类别进行回归。

• Resize image：将输入图片resize到448x448。
• Run ConvNet：使用CNN提取特征，FC层输出分类和回归结果。
• Non-max Suppression：非极大值抑制筛选出最终的结果。

2、前向推断

（1）前向推断流程：

1）首先将输入图片分成 S × S 个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object 。

2）每个网格需要预测 B （YOLO V1 中 B = 2） 个BBox 的位置信息和 confidence（置信度），一个 BBox 对于着四个位置信息 (x, y, w, h) 和一个 confidence 信息。

x —— 预测框中心的横坐标
y —— 预测框中心的纵坐标
w —— 预测框的宽度
h —— 预测框的高度
confidence（置信度）—— 预测框中包含目标物体的概率值

3）每个网格要预测 B 个 bounding box 还要预测 C 个 categories 。输出就是S × S × ( 5 ∗ B + C ) 的一个 tensor 。

4）​ 阈值处理：根据 confidence ，去除掉大部分不含预测物体的背景框。

5）​ NMS （Non-Maximum Suppression，非极大值处理）处理：利用 IoU 去除掉多余的 bounding box，防止重复预测同一物体。

（2）YOLO V1 网络结构

YOLO V1 的检测网络有 24 个卷积层和 2 个全连接层。交替使用 1 x 1 个卷积层减少了前一层的特征空间。我们在 ImageNet 分类任务上以一半的分辨率（224 x 224 输入图像）对卷积层进行预处理，然后将分辨率提高一倍进行检测，也就是将图片尺寸提高 448 x 448 。输入图片 reshape 为 448 x 448 x 3 ，在经过卷积层以及 4096 和 1470 两个全连接层之后，输出 7 x 7 x 30 的特征图。

为什么会输出 7 x 7 x 30 的特征图？

因为输入图像划分为 7 × 7 grid cell ，并且每个 grid cell 对应输出 30 维的向量（YOLO V1 每个 grid cell 预测 2 个 BBox）：

3、反向传播

损失函数

在 YOLO V1 目标检测过程中一共需要计算 5 个误差：

• 负责检测物体 bbox 中心点定位误差
• 负责检测物体 bbox 宽高定位误差
• 负责检测物体 bbox 置信度 confidence 误差
• 不负责检测物体 bbox 置信度 confidence 误差
• 负责检测物体的 grid cell 分类误差

YOLO V1 相较于 Fast R-CNN 优势主要体现在它是 one stage 网络，推理速度快。

[REFERENCE]
【精读AI论文】YOLO V1目标检测，看我就够了
yolov1：背景介绍与算法精讲
YOLO系列论文精读总结——YOLOv1篇
YOLO学习笔记——第一篇YOLOv1