图片来源

       在目标检测算法中，目标边框从无到有以及边框变化的过程在一定程度上体现了检测是两阶段还是单阶段的。

Two-stage：

第一阶段：专注于找出目标物体出现的位置，得到建议框，保证足够的准确率和召回率

第二阶段：专注于对建议框进行分类，寻找更精确的位置

优缺点：通常精度较高，但速度较慢

典型算法：R-CNN、SPP-Net、Fast R-CNN 和 Faster R-CNN

One-stage：

第一阶段：不需要得到建议框阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果

优缺点：速度一般比Two-stage算法更快，但精度有所损失

典型算法：SSD、YOLO

官方网站C语言版本:https://pjreddie.com/darknet/yolov1/

tensorflow版本的代码下载： https://github.com/hizhangp/yolo_tensorflow

论文： http://arxiv.org/abs/1506.02640 

目录

一、YOLO介绍

二、YOLOv1的结构

三、YOLOV1原理

（一）基本核心思想

（二）网络结构

（三）输出7x7的理解

（四）输出维度30的理解

（五）一次预测98个框

（六）对98个预测框处理

（七）回归坐标xywh

（八）训练样本标签

四、总结

一、YOLO介绍

YOLO的全称叫做“You Only Look Once”，简单来说，YOLO可以做到将一张图片输入，直接输出最终结果，包括框和框内物体的名称及score(得分)。

相比RCNN系列的算法（提取候选框+分类回归），YOLO仅仅一个网络就能完成检测框和分类任务，所以说它是单阶段目标检测算法；

YOLO主要特点是：

1. 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。
2. 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。
3. 泛化能力强。

二、YOLOv1的结构

YOLO V1是单阶段one stage体系开创者，一次卷积可得结果。

如下：

 YOLOv1是端到端进行训练，因此YOLOv1只有一条单一的网络分支。

步骤：

1. 输入图像（固定大小到448x448）到卷积神经网络，得到特征图；
2. 经过全连接网络，然后分类和回归；输出包含分类信息、置信度、坐标等信息；
3. 使用NMS方法筛选获得结果。

三、YOLOV1原理

（一）基本核心思想

如下图：

1. 首先将原图像分成S x S grid；在论文里S=7，即将图像分为7 x 7 grid；
2. 每个grid cell都会预测B个Bounding Box 去进行物体的框定和分类；在论文里B=2，那么一图像预测7x7x2=98个预测框；
3. 每个预测框包含有4个边框的值和1个的置信度，如：(x，y，w，h，confidence)；
4. 预测出来相同物体有重复的边框，利用NMS (非极大值抑制) 算法得到最后的final detections。 

（二）网络结构

如下图：

输入图像为448x448，输出特征图大小为7x7x30； 

（三）输出7x7的理解

        特征图7x7映射至原图，即图像被分成7×7个网格(grid cell)；映射关系如下图：

        如果GT物体的中心落在某个网格中，则这个网格就负责预测这个物体；

（四）输出维度30的理解

（1）每个网格使用B（B=2)个Bbox进行回归预测，共产生5个值；

        A.置信度confidence，包含物体的可能性大小；

        B.回归坐标(x,y,w,h)；

（2）每个网格还要预测C个类别概率，以判断当前cell属于哪个类别C；因此1个网格的输出维度是(5×B+C)，S×S个网格就输出就是S × S×(5×B+C)。

 论文：B=2,VOC有20个类别，那么网络输出维度就是5x2+20=30。

（五）一次预测98个框

 如下图：

（1）图像被划分成7×7，可知产生的特征图大小为7×7，因此S=7；

（2）真实的人物体中心落在黄色网格，使用黄色网格预测分类人；黄色网格产生了2个蓝色的Bbox用来回归预测，因此B=2；

（3）每个Bbox的检测结果会包含有关人的置信度和回归坐标信息；

（4）黄色网格会使用softmax进行分类预测，如果使用VOC数据集C=20。

最终，根据公式可得输出维度5×B+C=30，即输出特征图7×7×30；预测框的个数7×7×2=98。

（六）对98个预测框处理

使用NMS算法对预测框进行处理，最后保留最优的预测框：

（七）回归坐标xywh

如下图：

实际Bbox框的预测结果包含(xc， yc ，wbox，ℎbox)：

1. xc是预测框的中心点相对于原图的横坐标；
2. yc是预测框的中心点相对于原图的纵坐标；
3. wbox是预测框的宽度；
4. ℎbox是预测框的高度。

回归坐标的目的是将坐标映射到0-1之间，方便计算损失；有如下要求

1. x，y是相对于当前网格的偏移值，范围是0~1；
2. w，h是归一化（分别除以图像的W和H）的结果，范围是0~1；

（八）训练样本标签

训练样本的标签理解：

四、总结

        Yolov1是单目标检测的开创者，相比较RCNN等两阶段系列，预测速度上有天然的优势，就是检测速度快。但是也存在许多缺点：

1. YOLO对相互靠的很近的物体，还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
2. 对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。
3. 由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。