专栏首页Petrichor的专栏论文阅读: YOLOv1

论文阅读: YOLOv1

Introduction

YOLOv1是one-stage detector鼻祖、real-time detector鼻祖。

所谓one-stage,即不需额外一个stage来生成RP,而是直接分类回归出output:

YOLOv1直接将整张图片分成 S×SS×SS\times S 的小格子区域,每个区域生成 BBB 个bbox(论文中B=2B=2B=2),每个bbox去预测中心点落在该格的物体。但是每个格子生成的所有BBB个bbox共享 一个分类score

因此,YOLOv1最后一层的输出是一个 S×S×(B∗5+C)S×S×(B∗5+C)S\times S \times (B * 5 + C) 的 tensor 。 其中,SSS为每维的格子段数,BBB为每格生成的bbox数,CCC为前景类别数。

YOLOv1=24×Conv+2×FCYOLOv1=24×Conv+2×FCYOLOv1 = 24\times Conv + 2\times FC:

Note

  • 经过权衡利弊,YOLOv1采用了山寨版的GoogleNet作为basemodel,而非VGG;
  • 在第24层时,每个单点对应原图的感受野达到了782×782782×782782\times 782。而原图只有448×448448×448448\times 448,覆盖了整张原图。也就意味着,到了第24层的时候,每个单点都能看到整张原图。更不要提第25、26层是两个fc操作了。
  • 另外,Fast YOLOv1=9×Conv+2×FCFast YOLOv1=9×Conv+2×FCFast\ YOLOv1 = 9\times Conv + 2\times FC。速度更快,但精度也略低。

Innovation

  • one-stage detector鼻祖、real-time detector鼻祖,里程碑级的贡献。
  • 从image pixel直达bbox cordination和class probability。
  • 设计得很有新意,直接输出每个bbox的cls和reg结果(同一条向量上),并把分为前景的bbox向量条打到图上。
  • 每个grid只负责一个物体。这样自然将候选框数量大幅砍削到了 S×S×BS×S×BS\times S\times B 。有效缓解了类别不平衡,却也放弃了对每个ground truth框的大量试错机会。

Result

YOLOv1最大的优点就是“快”,“灰常快”。YOLOv1的检测速度为 45 fps ;Fast YOLOv1甚至达到了 155 fps

不过作者自己也承认,精度方面还是和two-stage系中的state-of-the-art水平是有差距的:

但是,虽然整体检测精度(mAP)不如你Fast R-CNN,但是我对背景的检测精度比你高了一倍多啊:

然而这么比就有点不公平了。YOLOv1只生成少量候选框的机制,决定了遇到的背景框数量远少于Fast R-CNN,因此受到类别不平衡问题的影响更小,自然对背景框的检测精度就高啦。

Fast R-CNN + YOLOv1 的效果还比纯粹的Fast R-CNN高了2.3个点:

在各种实验的过程中,作者还惊喜地发现,YOLOv1在艺术图片上的泛化性能也是一大亮点:

以下第一排就是各种艺术画:

拿艺术画的检测结果demo并放入论文中的做法,也是很有新意。

Thinking

  • 每个grid只负责一个物体。非常简单粗暴,这明显是对实际场景数据的观察得到的结果。 因为数据集中的大部分图片都是常规图片,分布有秩,大小合理。因此YOLOv1对于大部分常规图片检测是高效可行的。 但是小部分非常规图片(两个以上物体的中心位置落入同一个grid),直接就把YOLOv1的mAP值给拉低了。
  • 同时,由于YOLOv1只针对最后7x7的特征图进行分析,使得它对小目标的检测效果不佳。
  • YOLOv1在鱼 (检测速度) 与熊掌 (检测精度) 中选择了短平快的方式,突破two-stage的格局限制,创造出one-stage。虽然离最高mAP还略有差距,但是速度的暴涨,让real-time detection成为现实。这一点,YOLOv1功在千秋。
  • YOLOv1由于精度太差,而空有那么高的检测速度。因此在实际落地中,基本不用YOLOv1。甚至连对实时性要求极高的自动驾驶,也是使用的FPN(+Faster R-CNN)。

[1] You Only Look Once: Unified, Real-Time Object Detection [2] YOLO - Google Slides [3] 论文阅读笔记:You Only Look Once: Unified, Real-Time Object Detection

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 系统快捷键

    JNingWei
  • 查看指令作用

    JNingWei
  • 显示唐诗宋词

    JNingWei
  • Java多线程学习(七)并发编程中一些问题

    我自己总结的Java学习的系统知识点以及面试问题,目前已经开源,会一直完善下去,欢迎建议和指导欢迎Star: https://github.com/Snailc...

    用户2164320
  • 简单方便的在Golang中使用Redis【Golang 入门系列】七

    1. Redis 的安装很简单,我这里测试直接用的是windows 的版本。如何安装就不细说了。想了解的可以看之前的文章:https://www.cnblogs...

    架构师精进
  • mall整合Redis实现缓存功能

    https://github.com/macrozheng/mall-learning/tree/master/mall-tiny-03

    macrozheng
  • TCP连接建立、断开过程详解

    TCP连接建立过程需要经过三次握,断开过程需要经过四次挥手,为什么? 有没有其他的连接建立、断开方式?

    coderhuo
  • TCP协议三次握手与四次挥手通俗解析

     TCP/IP协议三次握手与四次握手流程解析 一、TCP报文格式 TCP/IP协议的详细信息参看《TCP/IP协议详解》三卷本。下面是TCP报文格式图: ? 图...

    用户1214487
  • Android组件前奏---App+module的启动

    一个App里面默认都有一个单例那就是Application,而组件化的过程中除了app这个壳工程的启动是我们时长需要设置一些默认的参数配置等操作,其实对于附加启...

    大话swift
  • 设计模式- 抽象工厂(Abstract Factory)

    抽象工厂可以向客户提供一个接口,是客户可以在不必指定产品具体类型的情况下,创建多个产品家族中的产品对象,它强调的系列对象的变化。

    易兒善

扫码关注云+社区

领取腾讯云代金券