YOLO 物体检测算法

[huagongniao8]

YOLO，是目前速度更快的物体检测算法之一。虽然它不再是最准确的物体检测算法，但当您需要实时检测时，它是一个非常好的选择，而不会损失太多的准确性。YOLO（You only look once）：将物体检测重新绘制作为一个简单的回归问题，直接从图像像素生成bounding box的坐标和类的预测。

YOLO的前向测试为：将一张图片送入YOLO网络后网络输出检测结果的整体流程。从上述的代码结构中我们可以发现，网络最终的输出是一个1470维的向量。YOLO:是一个简单的卷积网络，同时预测多个boundingboxes和这些boxes所属的类。

YOLO在准确性方面仍落后于最先进的检测系统。 虽然它可以快速识别图像中的物体，但它正努力精确定位某些物体，尤其是小物体。我们在实验中进一步检查了这些折衷。YOLO使用整幅图像的特征去预测每个boundingbox，并且同时它也预测图像中所有bounding boxes中所有类别。

YOLO 检测物体非常快。因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO 可以非常快的完成物体检测任务。标准版本的 YOLO 在 Titan X 的 GPU 上能达到 45 FPS。更快的 Fast YOLO 检测速度可以达到 155 FPS 。而且，YOLO 的 mAP 是之前其他实时物体检测系统的两倍以上。

YOLO 可以很好的避免背景错误，产生 false positives。不像其他物体检测系统使用了滑窗或 region proposal，分类器只能得到图像的局部信息。YOLO 在训练和测试时都能够看到一整张图像的信息，因此 YOLO 在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和 Fast-R-CNN 相比，YOLO 的背景错误不到 Fast-R-CNN 的一半。

YOLO 可以学到物体的泛化特征。当 YOLO 在自然图像上做训练，在艺术作品上做测试时，YOLO 表现的性能比 DPM、R-CNN 等之前的物体检测系统要好很多。因为 YOLO 可以学习到高度泛化的特征，从而迁移到其他领域。