[D23] 物件侦测(4)

前面我们认识的都是＂two stage＂的方法，在整体的运行过程上没有那麽快速，所以在很多行动装置上都渐渐地采用＂oen stage＂来做影像辨识，这边要介绍的是 YOLO 系列！

YOLO（You Only Look Once）

＂只要让我看一眼，我就知道是什麽＂，像字面上的意思，当图片经过 YOLO 这个演算法，只需要对图片做一次深度学习便能够判断里面的物体类别跟位置，且可以一次侦测多个物件，大大提升辨识速度。

接下来我们先从一开始的 YOLOv1 开始认识吧～

YOLOv1

YOLOv1 就是这个构想的第一版，把整张图片当作输入，会直接预测出 bounding box 的座标位置，且 bounding box 包含物体的 confidence 和物体的 classification。

confidence 是物体的信心分数，代表此框为 ground truth 的机率为多少。

YOLOv1 的实现

基本上就是将图拆成很多个 grid cell，然後在每个 grid cell 进行 bounding box 的预测和属於哪个类别的机率预测，最後用 threshold 和 NMS （非极大值抑制，Non-Maximum Suppression）的方式得到结果。

• step 1
  YOLO 会把图平均分成 S×S 格，每一格在英文中被称为 grid cell。
  当＂要被侦测的物件中心＂落在哪一个 grid cell，该 grid cell 就要负责侦测这个物件。
• step 2
  每个 grid cell 必须要负责预测「n 个 bounding boxes」和「属於每个类别的机率」。每个 bounding box 会带有 5 个参数 (x, y, w, h, and confidence)
  • (x, y) 是物件在 grid cell 的中心座标
  • w 和 h 是 bbox 的宽度和高度

我们会习惯把 bounding box 简写成 bbox~ （不是饶舌的那种 B-box）

• step 3
  YOLO 的 tensor 公式为 S × S × （B × 5 + C）。

  • B 是在一个 grid cell 中 bbox 的数量
  • 乘上 5 是因为每个 bbox 有 5 个参数
  • C 是物件的类别数量

YOLOv1 的缺点

YOLOv1 对於靠得很近的物体，或是很小的物体，辨识效果不是很好，这是因为一个 grid cell 里最多只产生两个 bbox 来侦测。

未完待续......

图片来源1
图片来源2
论文