实时的物体检测是怎么实现的？

导读

以前一直和队员强调，写的推文要尽量让别人看得懂。但是出于某些原因和想法，我决定这次剑走偏锋，真正的深入一个算法，让大家能直观的了解下一个算法到底是怎么work的。

那么到底是一种什么算法呢？这个算法叫YOLO， 英文全称是You Only Look Once。名称确实有点迷人，小编曾经深深陷入，无法自拔。曾经为了吃透这个算法，论文、代码反复看，真的很烧脑，但是最后发现其实也没有这么难，哈哈～～～

好的，其它不带乱扯的了，直接进入主题。

坐稳了没？要开车了哦

先来看个小视频，这个是我当时用自己的数据集train了一个能识别自己杯子的视频。

再放出一张算法作者在论文中用到的一张图片。

简单来说，这个算法是依赖于一个深度的神经网络。这个神经网络的输入呢，就是图像，那么经过大量的数据对神经网络进行训练和参数的不断更新之后，这个神经网络就能准确的输出图像中物体的种类和位置信息。(好的，下面正式讲解算法)

这个算法呢，成功地将物体识别问题转化成了端对端的回归学习问题。为什么这样说，我们参考一下其它的物体检测算法，比如RCNN、Fast-RCNN、Faster-RCNN。RCNN系列算法呢，是基于区域提议的一种算法，简单来说，如果计算机对那个区域感兴趣，那么就会把该区域提取出来再放入一个神经网络，对该物体的类别进行预测。像这种从输入到输出经过多个处理就不能称之为端对端的算法。而YOLO则是直接对结果进行预测。

这个算法的核心在于它把图片划分成了７＊７(可以修改，比如定义成１９＊１９也是可以的)个小的区域，在论文中把每个区域叫做cell，那我把它译作网格好了。看划分的效果图。

每个网格会对应一个向量输出，这个向量里面就包含了物体各种信息，比如物体的位置、大小和类别。当神经网络认为物体落在某个网格上的时候，那么这个网格就会做出相应，并输出物体中心点落在该网格上的概率。因为每个网格都有输出，但是真正要将其预测可视化前还要进行非极大值抑制，否则会出现一堆杂乱的框。如果根据论文中定义的参数的话，那就会输出7＊7＊2=98个框。就像下面这张图。

那么问题又来了，假如同时有两个物体的中心点落在同一个网格上怎么办？虽然这个问题出现的概率不高，但是还是有解决的办法的。那就是用两个Anchor box。也就是说一个网格可以输出两个或者多个(可以定义多个)边界框。可以看到下图两个形状不一样的边界框。

那么最后的输出就有了７＊７个向量，不过关于这个向量其实是人为的划分，我们知道，一个这个网络包括了卷积层、池化层和全连接层，一般来说全连接层放到最后作为输出，７＊７的个向量就是从输出里面划分的。

其中输出总的来说是包括了物体的边界框信息和物体的类别。边界框

Bounding box信息包含5个数据值，分别是x,y,w,h,和confidence。物体的类别输出则是一个one-hot编码。

损失函数

那这个算法是根据什么标准来学习的呢？下面是损失函数的设计。

可以说，损失函数的设计是直接指导了神经网络的学习方向的。那么可以看到损失函数里面的几个学习的指标：Ｘ(物体相对于网格左上角顶点的水平位移)，Ｙ(物体相对于网格左上角顶点的垂直位移)，Ｗ、Ｈ(物体的宽、高)，Ｃ(为物体类别的one-hot编码)，Ｐ(置信度)。

网络结构

上图是神经网络的设计，作者在参考了google的Inception的基础上，加入了1*1大小卷积核的卷积层，目的是为了加深特征向量。

有了物体信息的输出，最后就可以对输出进行可视化了，也有了上面视频中显示的那样。

算法并不难，难就难在对基础知识的掌握和理解。这个算法因为是直接回归，所以速度非常快，相对于RCNN系列算法来说，精度可能是一个不足，但是最新的YOLO v3版本已经在精度上的表现与RCNN系列算法渐渐接近了。

Finallly, 上面的都是根据自己的理解写的，因为小编水平有限，难免做到没有错漏，如有不当之处，欢迎指出。

End

我们是图灵智能创新团队，

同时也是广东海洋大学第一个人工智能创新团队，

我们团队的主要方向有：计算机视觉和自然语言处理。

本公众号主要面向对人工智能感兴趣的读者，

如果想了解更多，欢迎关注我们！