YOLO v1到YOLO v4（上）
一. YOLO v1
這是繼RCNN，fast-RCNN和faster-RCNN之后，rbg（RossGirshick）針對DL目標檢測速度問題提出的另外一種框架。YOLO V1其增強版本GPU中能跑45fps，簡化版本155fps。
論文下載：http://arxiv.org/abs/1506.02640
代碼下載：https://github.com/pjreddie/darknet
YOLO的核心思想
提出了一種新的目標檢測方法YOLO。先前的目標檢測工作重新調整了分類器的用途以執行檢測。取而代之的是，將目標檢測作為一個回歸問題，以空間分隔的邊界框和關聯的類概率來處理。一個單一的神經網絡在一次評估中直接從完整圖像預測邊界框和類概率。由於整個檢測通道是一個單一的網絡，因此可以直接對檢測性能進行端到端的優化。統一架構非常快。基本YOLO模型以每秒45幀的速度實時處理圖像。另一個更小版本的網絡Fast YOLO每秒處理155幀，同時仍然可以實現其他實時檢測器的兩倍。與最先進的檢測系統相比，YOLO定位誤差更大，但在背景下預測誤報的可能性較小。最后，YOLO學習對象的一般表示。當從自然圖像推廣到其他領域（如藝術作品）時，它優於其他檢測方法，包括DPM和R-CNN。
YOLO的核心思想就是利用整張圖作為網絡的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別。
faster RCNN中也直接用整張圖作為輸入，但是faster-RCNN整體還是采用了RCNN那種 proposal+classifier的思想，只不過是將提取proposal的步驟放在CNN中實現了,而YOLO則采用直接回歸的思路。
二.YOLO的實現方法
將一幅圖像分成SxS個網格(grid cell)，如果某個object的中心 落在這個網格中，則這個網格就負責預測這個object。
每個網格要預測B個bounding box，每個bounding box除了要回歸自身的位置之外，還要附帶預測一個confidence值。
這個confidence代表了所預測的box中含有object的置信度和這個box預測的有多准兩重信息，其值是這樣計算的：
其中如果有object落在一個grid cell里，第一項取1，否則取0。第二項是預測的bounding box和實際的groundtruth之間的IoU值。
每個bounding box要預測(x, y, w, h)和confidence共5個值，每個網格還要預測一個類別信息，記為C類。則SxS個網格，每個網格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。
注意：class信息是針對每個網格的，confidence信息是針對每個bounding box的。
舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。
整個網絡結構如下圖所示：
在test的時候，每個網格預測的class信息和bounding box預測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:
等式左邊第一項就是每個網格預測的類別信息，第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬於某一類的概率，也有該box准確度的信息。
得到每個box的class-specific confidence score以后，設置閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結果。
注：
*由於輸出層為全連接層，因此在檢測時，YOLO訓練模型只支持與訓練圖像相同的輸入分辨率。
*雖然每個格子可以預測B個bounding box，但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出，即每個格子最多只預測出一個物體。當物體占畫面比例較小，如圖像中包含畜群或鳥群時，每個格子包含多個物體，但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。
三. YOLO的實現細節
每個grid有30維，這30維中，8維是回歸box的坐標，2維是box的confidence，還有20維是類別。
其中坐標的x,y用對應網格的offset歸一化到0-1之間，w,h用圖像的width和height歸一化到0-1之間。
在實現中，最主要的就是怎么設計損失函數，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部采用了sum-squared error loss來做這件事。
這種做法存在以下幾個問題：
第一，8維的localization error和20維的classification error同等重要顯然是不合理的；
第二，如果一個網格中沒有object（一幅圖中這種網格很多），那么就會將這些網格中的box的confidence push到0，相比於較少的有object的網格，這種做法是overpowering的，這會導致網絡不穩定甚至發散。
解決辦法：
更重視8維的坐標預測，給這些損失前面賦予更大的loss weight, 記為
在pascal VOC訓練中取5。
對沒有object的box的confidence loss，賦予小的loss weight，記為
在pascal VOC訓練中取0.5。
有object的box的confidence loss和類別的loss的loss weight正常取1。
對不同大小的box預測中，相比於大box預測偏一點，小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。
為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發生偏移時，反應到y軸上相比大box要大。（也是個近似逼近方式）
一個網格預測多個box，希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。
最后整個的損失函數如下所示：
這個損失函數中：
§ 只有當某個網格中有object的時候才對classification error進行懲罰。
§ 只有當某個box predictor對某個ground truth box負責的時候，才會對box的coordinate error進行懲罰，而對哪個ground truth box負責就看其預測值和ground truth box的IoU是不是在那個cell的所有box中最大。
其他細節，例如使用激活函數使用leak RELU，模型用ImageNet預訓練等等，在這里就不一一贅述了。
注：
*YOLO方法模型訓練依賴於物體識別標注數據，因此，對於非常規的物體形狀或比例，YOLO的檢測效果並不理想。
*YOLO采用了多個下采樣層，網絡學到的物體特征並不精細，因此也會影響檢測效果。
* YOLO loss函數中，大物體IOU誤差和小物體IOU誤差對網絡訓練中loss貢獻值接近（雖然采用求平方根方式，但沒有根本解決問題）。因此，對於小物體，小的IOU誤差也會對網絡優化過程造成很大的影響，從而降低了物體檢測的定位准確性。
四.YOLO的缺點
YOLO對相互靠的很近的物體，還有很小的群體 檢測效果不好，這是因為一個網格中只預測了兩個框，並且只屬於一類。
同一類物體出現的新的不常見的長寬比和其他情況時，泛化能力偏弱。
由於損失函數的問題，定位誤差是影響檢測效果的主要原因。尤其是大小物體的處理上，還有待加強。
YOLO9000 YOLOv2
原文下載：https://arxiv.org/pdf/1612.08242v1.pdf
工程代碼：http://pjreddie.com/darknet/yolo/
摘要
1. 提出YOLOv2：代表着目前業界最先進物體檢測的水平，它的速度要快過其他檢測系統（FasterR-CNN，ResNet，SSD），使用者可以在它的速度與精確度之間進行權衡。
2. 提出YOLO9000：這一網絡結構可以實時地檢測超過9000種物體分類，這歸功於它使用了WordTree，通過WordTree來混合檢測數據集與識別數據集之中的數據。
3. 提出了一種新的聯合訓練算法（ Joint Training Algorithm ），使用這種聯合訓練技術同時在ImageNet和COCO數據集上進行訓練。YOLO9000進一步縮小了監測數據集與識別數據集之間的代溝。
簡介
目前的檢測數據集（DetectionDatasets）有很多限制，分類標簽的信息太少，圖片的數量小於分類數據集（Classification Datasets），而且檢測數據集的成本太高，使其無法當作分類數據集進行使用。而現在的分類數據集卻有着大量的圖片和十分豐富分類信息。
文章提出了一種新的訓練方法–聯合訓練算法，這種算法可以把這兩種的數據集混合到一起。使用一種分層的觀點對物體進行分類，用巨量的分類數據集數據來擴充檢測數據集，從而把兩種不同的數據集混合起來。
聯合訓練算法的基本思路就是：同時在檢測數據集和分類數據集上訓練物體檢測器（Object Detectors ），用監測數據集的數據學習物體的准確位置，用分類數據集的數據來增加分類的類別量、提升健壯性。
YOLO9000就是使用聯合訓練算法訓練出來的，他擁有9000類的分類信息，這些分類信息學習自ImageNet分類數據集，而物體位置檢測則學習自COCO檢測數據集。
All of our code and pre-trained models are available online at http://pjreddie.com/yolo9000/
BETTER
YOLO一代有很多缺點，作者希望改進的方向是:改善recall，提升定位的准確度，同時保持分類的准確度。
目前計算機視覺的趨勢是更大更深的網絡，更好的性能表現通常依賴於訓練更大的網絡或者把多種model綜合到一起。但是YOLO v2則着力於簡化網絡。具體的改進見下表：
Batch Normalization
使用Batch Normalization對網絡進行優化，讓網絡提高了收斂性，同時還消除了對其他形式的正則化（regularization）的依賴。通過對YOLO的每一個卷積層增加Batch Normalization，最終使得mAP提高了2%，同時還使model正則化。使用Batch Normalization可以從model中去掉Dropout，而不會產生過擬合。
High resolution classifier
目前業界標准的檢測方法，都要先把分類器（classifier）放在ImageNet上進行預訓練。從Alexnet開始，大多數的分類器都運行在小於256*256的圖片上。而現在YOLO從224*224增加到了448*448，這就意味着網絡需要適應新的輸入分辨率。
為了適應新的分辨率，YOLO v2的分類網絡以448*448的分辨率先在ImageNet上進行Fine Tune，Fine Tune10個epochs，讓網絡有時間調整他的濾波器（filters），好讓其能更好的運行在新分辨率上，還需要調優用於檢測的Resulting Network。最終通過使用高分辨率，mAP提升了4%。
Convolution with anchor boxes
YOLO一代包含有全連接層，從而能直接預測Bounding Boxes的坐標值。Faster R-CNN的方法只用卷積層與Region Proposal Network來預測Anchor Box的偏移值與置信度，而不是直接預測坐標值。作者發現通過預測偏移量而不是坐標值能夠簡化問題，讓神經網絡學習起來更容易。
所以最終YOLO去掉了全連接層，使用Anchor Boxes來預測 Bounding Boxes。作者去掉了網絡中一個Pooling層，這讓卷積層的輸出能有更高的分辨率。收縮網絡讓其運行在416*416而不是448*448。由於圖片中的物體都傾向於出現在圖片的中心位置，特別是那種比較大的物體，所以有一個單獨位於物體中心的位置用於預測這些物體。YOLO的卷積層采用32這個值來下采樣圖片，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的Feature Map。使用Anchor Box會讓精確度稍微下降，但用了它能讓YOLO能預測出大於一千個框，同時recall達到88%，mAP達到69.2%。
Dimension clusters
之前Anchor Box的尺寸是手動選擇的，所以尺寸還有優化的余地。為了優化，在訓練集（training set）Bounding Boxes上跑了一下k-means聚類，來找到一個比較好的值。
如果用標准的歐式距離的k-means，尺寸大的框比小框產生更多的錯誤。因為的目的是提高IOU分數，這依賴於Box的大小，所以距離度量的使用：
通過分析實驗結果（Figure 2），左圖：在model復雜性與high recall之間權衡之后，選擇聚類分類數K=5。右圖：是聚類的中心，大多數是高瘦的Box。
Table1是說明用K-means選擇Anchor Boxes時，當Cluster IOU選擇值為5時，AVG IOU的值是61，這個值要比不用聚類的方法的60.9要高。選擇值為9的時候，AVG IOU更有顯著提高。總之就是說明用聚類的方法是有效果的。
Direct location prediction
用Anchor Box的方法，會讓model變得不穩定，尤其是在最開始的幾次迭代的時候。大多數不穩定因素產生自預測Box的（x,y）位置的時候。按照之前YOLO的方法，網絡不會預測偏移量，而是根據YOLO中的網格單元的位置來預測坐標，這就讓Ground Truth的值介於0到1之間。而為了讓網絡的結果能落在這一范圍內，網絡使用一個 Logistic Activation來對於網絡預測結果進行限制，讓結果介於0到1之間。網絡在每一個網格單元中預測出5個Bounding Boxes，每個Bounding Boxes有五個坐標值tx，ty，tw，th，t0，他們的關系見下圖（Figure3）。假設一個網格單元對於圖片左上角的偏移量是cx，cy，Bounding Boxes Prior的寬度和高度是pw，ph，那么預測的結果見下圖右面的公式：
因為使用了限制讓數值變得參數化，也讓網絡更容易學習、更穩定。
Dimension clusters和Direct location prediction，improves YOLO by almost 5% over the version with anchor boxes.
Fine-Grained Features
YOLO修改后的Feature Map大小為13*13，這個尺寸對檢測圖片中尺寸大物體來說足夠了，同時使用這種細粒度的特征對定位小物體的位置可能也有好處。Faster R-CNN、SSD都使用不同尺寸的Feature Map來取得不同范圍的分辨率，而YOLO采取了不同的方法，YOLO加上了一個Passthrough Layer來取得之前的某個26*26分辨率的層的特征。這個Passthrough layer能夠把高分辨率特征與低分辨率特征聯系在一起，聯系起來的方法是把相鄰的特征堆積在不同的Channel之中，這一方法類似與Resnet的Identity Mapping，從而把26*26*512變成13*13*2048。YOLO中的檢測器位於擴展后（expanded ）的Feature Map的上方，所以他能取得細粒度的特征信息，這提升了YOLO 1%的性能。
Multi-ScaleTraining
作者希望YOLO v2能健壯的運行於不同尺寸的圖片之上，所以把這一想法用於訓練model中。
區別於之前的補全圖片的尺寸的方法，YOLO v2每迭代幾次都會改變網絡參數。每10個Batch，網絡會隨機地選擇一個新的圖片尺寸，由於使用了下采樣參數是32，所以不同的尺寸大小也選擇為32的倍數{320，352…..608}，最小320*320，最大608*608，網絡會自動改變尺寸，並繼續訓練的過程。
這一政策讓網絡在不同的輸入尺寸上都能達到一個很好的預測效果，同一網絡能在不同分辨率上進行檢測。當輸入圖片尺寸比較小的時候跑的比較快，輸入圖片尺寸比較大的時候精度高，所以你可以在YOLO v2的速度和精度上進行權衡。
Figure4，Table 3：在voc2007上的速度與精度
Further Experiments
