什么是yolo?Yolo算法的網(wǎng)絡(luò)結(jié)構(gòu)

Yolo算法采用一個(gè)單獨(dú)的CNN模型實(shí)現(xiàn)end-to-end的目標(biāo)檢測(cè)，核心思想就是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸 bounding box(邊界框) 的位置及其所屬的類別，整個(gè)系統(tǒng)如下圖所示：

首先將輸入圖片resize到448x448，然后送入CNN網(wǎng)絡(luò)，最后處理網(wǎng)絡(luò)預(yù)測(cè)結(jié)果得到檢測(cè)的目標(biāo)。相比R-CNN算法，其是一個(gè)統(tǒng)一的框架，其速度更快。

Yolo算法

在介紹Yolo算法之前，我們回憶下RCNN模型，RCNN模型提出了候選區(qū)(Region Proposals)的方法，先從圖片中搜索出一些可能存在對(duì)象的候選區(qū)(Selective Search)，大概2000個(gè)左右，然后對(duì)每個(gè)候選區(qū)進(jìn)行對(duì)象識(shí)別，但處理速度較慢。

Yolo意思是You Only Look Once，它并沒有真正的去掉候選區(qū)域，而是創(chuàng)造性的將候選區(qū)和目標(biāo)分類合二為一，看一眼圖片就能知道有哪些對(duì)象以及它們的位置。

Yolo模型采用預(yù)定義預(yù)測(cè)區(qū)域的方法來完成目標(biāo)檢測(cè)，具體而言是將原始圖像劃分為 7x7=49 個(gè)網(wǎng)格(grid)，每個(gè)網(wǎng)格允許預(yù)測(cè)出2個(gè)邊框(bounding box，包含某個(gè)對(duì)象的矩形框)，總共 49x2=98 個(gè)bounding box。我們將其理解為98個(gè)預(yù)測(cè)區(qū)，很粗略的覆蓋了圖片的整個(gè)區(qū)域，就在這98個(gè)預(yù)測(cè)區(qū)中進(jìn)行目標(biāo)檢測(cè)。

只要得到這98個(gè)區(qū)域的目標(biāo)分類和回歸結(jié)果，再進(jìn)行NMS就可以得到最終的目標(biāo)檢測(cè)結(jié)果。那具體要怎樣實(shí)現(xiàn)呢?

Yolo的網(wǎng)絡(luò)結(jié)構(gòu)

YOLO的結(jié)構(gòu)非常簡(jiǎn)單，就是單純的卷積、池化最后加了兩層全連接，從網(wǎng)絡(luò)結(jié)構(gòu)上看，與前面介紹的CNN分類網(wǎng)絡(luò)沒有本質(zhì)的區(qū)別，最大的差異是輸出層用線性函數(shù)做激活函數(shù)，因?yàn)樾枰A(yù)測(cè)bounding box的位置(數(shù)值型)，而不僅僅是對(duì)象的概率。所以粗略來說，YOLO的整個(gè)結(jié)構(gòu)就是輸入圖片經(jīng)過神經(jīng)網(wǎng)絡(luò)的變換得到一個(gè)輸出的張量，如下圖所示：

網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單，重點(diǎn)是我們要理解網(wǎng)絡(luò)輸入與輸出之間的關(guān)系。

網(wǎng)絡(luò)輸入

網(wǎng)絡(luò)的輸入是原始圖像，唯一的要求是縮放到448x448的大小。主要是因?yàn)閅olo的網(wǎng)絡(luò)中，卷積層最后接了兩個(gè)全連接層，全連接層是要求固定大小的向量作為輸入，所以Yolo的輸入圖像的大小固定為448x448。

網(wǎng)絡(luò)輸出

網(wǎng)絡(luò)的輸出就是一個(gè)7x7x30 的張量(tensor)。那這個(gè)輸出結(jié)果我們要怎么理解那?

1.7X7網(wǎng)格

根據(jù)YOLO的設(shè)計(jì)，輸入圖像被劃分為 7x7 的網(wǎng)格(grid)，輸出張量中的 7x7 就對(duì)應(yīng)著輸入圖像的 7x7 網(wǎng)格?；蛘呶覀儼?7x7x30 的張量看作 7x7=49個(gè)30維的向量，也就是輸入圖像中的每個(gè)網(wǎng)格對(duì)應(yīng)輸出一個(gè)30維的向量。如下圖所示，比如輸入圖像左上角的網(wǎng)格對(duì)應(yīng)到輸出張量中左上角的向量。

2.30維向量

30維的向量包含：2個(gè)bbox的位置和置信度以及該網(wǎng)格屬于20個(gè)類別的概率。

2個(gè)bounding box的位置 每個(gè)bounding box需要4個(gè)數(shù)值來表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心點(diǎn)的x坐標(biāo)，y坐標(biāo)，bounding box的寬度，高度)，2個(gè)bounding box共需要8個(gè)數(shù)值來表示其位置。

2個(gè)bounding box的置信度 bounding box的置信度 = 該bounding box內(nèi)存在對(duì)象的概率 * 該bounding box與該對(duì)象實(shí)際bounding box的IOU，用公式表示就是：

Pr(Object)是bounding box內(nèi)存在對(duì)象的概率

20個(gè)對(duì)象分類的概率

Yolo支持識(shí)別20種不同的對(duì)象(人、鳥、貓、汽車、椅子等)，所以這里有20個(gè)值表示該網(wǎng)格位置存在任一種對(duì)象的概率。