YOLO图像跟踪技术

YOLO的网络结构
• YOLO检测网络包括24个卷积层和2个全连接层。其中，卷积层 用来提取图像特征，全连接层用来预测图像位置和类别概率值。 • YOLO网络借鉴了GoogLeNet分类网络结构，不同的是，YOLO 未使用inception module，而是使用1x1卷积层（此处1x1卷积 层的存在是为了跨通道信息整合）+3x3卷积层简单替代。 • YOLO论文中，作者还给出一个更轻快的检测网络fast YOLO，它 只有9个卷积层和2个全连接层。使用titan x GPU，fast YOLO可 以达到155fps的检测速度，但是mAP值也从YOLO的63.4%降到 了52.7%。
YOLO的核心思想
• YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出 层回归 bounding box（边界框） 的位置及其所属的类别。 • faster RCNN中也直接用整张图作为输入，但是faster-RCNN整 体还是采用了RCNN那种 proposal + classifier的思想，只不过 是将提取proposal的步骤放在CNN中实现了。
YOLO的优点
• YOLO检测物体非常快。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。 • 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。
YOLO的创新点
• YOLO训练和检测均是在一个单独网络中进行。 • YOLO将物体检测作为一个回归问题进行求解，输入图像经过一 次inference（推理），便能得到图像中所有物体的位置和其所 属类别及相应的置信概率。而rcnn /fast rcnn / faster rcnn将检 测结果分为两部分求解：物体类别（分类问题），物体位置即 bounding box（回归问题）。
YOLO的局限性
• 由于输出层为全连接层，因此在检测时，YOLO训练模型只支持 与训练图像相同的输入分辨率。 • 虽然每个格子可以预测B个bounding box，但是最终只选择只选 择IOU最高的bounding box作为物体检测输出，即每个格子最 多只预测出一个物体。当物体占画面比例较小，如图像中包含畜 群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。
Βιβλιοθήκη Baidu
Inception的网络结构
YOLO的网络结构
YOLO的输出
• YOLO将输入图像分成SxS个格子，每个格子负责检测‘落入’该 格子的物体。若某个物体的中心位置的坐标落入到某个格子，那 么这个格子就负责检测出这个物体。
YOLO的输出
• 每个格子输出B个bounding box（包含物体的矩形区域）信息， 以及C个物体属于某种类别的概率信息。 • Bounding box信息包含5个数据值，分别是x , y , w , h,和 confidence • 其中x , y是指当前格子预测得到的物体的bounding box的中心 位置的坐标。 • W , h是bounding box的宽度和高度。 • confidence反映当前bounding box是否包含物体以及物体位置 的准确性confidence = P(object) * IOU 。 • IOU(intersection over union)为预测bounding box与物体真实区域的交集面积（以像素为单位，用真实区域的 像素面积归一化到[0,1]区间）。
YOLO
You only look once (YOLO) is a state-of-the-art, real-time object detection System. YOLO是一个最先进的，实时对象检测系统。 Using our system, you only look once (YOLO) at an image to predict what objects are present and where they are 使用我们YOLO系统，仅需要看一次就能预测这个物体及其位置。