YOLO: You Only Look Once

YOLO 有個很討喜的名字，取自 You Only Live Once，但用在 Object detection 上則為 You only look once，意思是說 YOLO 模型的特性只需要對圖片作一次 CNN 便能夠判斷裡面的物體類別跟位置，大大提升辨識速度。

R-CNN 的概念是先提出幾個可能包含物體的 Region proposal，再針對每個 region 使用 CNN 作分類，最後再以 regression 修正 bounding box 位置，速度慢且不好訓練。YOLO 的好處是單一網路設計，判斷的結果會包含 bounding box 位置，以及每個 bounding box 所屬類別及概率。整個網路設計是 end-to-end 的，容易訓練，而且速度快。

1. YOLO 速度快，在 Titan X GPU 上可以達到每秒 45 禎的速度，簡化版的 YOLO 甚至可以達到 150 fps 的速度。這意味著 YOLO 已經可以對影像作即時運算了。準確度 (mAP) 也狠甩其他深度學習模型好幾條街。看看底下 YOLO2 的 demo 視訊，這偵測速度會嚇到吃手手了

2. 有別於 R-CNN 都是先提 region 再做判斷，看的範圍比較小，容易將背景的 background patch 看成物體。YOLO 在訓練跟偵測時都是一次看整張圖片，背景錯誤偵測率 (background error, 抑或 false positive) 都只有 Fast R-CNN 的一半。

3. YOLO 的泛用性也比 R-CNN 或者 DPM 方式來得好很多，在新的 domain 使用 YOLO 依舊可以很穩定。

YOLO 的概念是將一張圖片切割成 S x S 個方格，每個方格以自己為中心點各自去判斷 B 個 bounding boxes 中包含物體的 confidence score 跟種類。

confidence score = Pr(Object) * IOU (ground truth)

如果該 bounding box 不包含任何物體 (Pr(Object) = 0)，confidence score 便為零，而 IOU 則為 bounding box 與 ground truth 的交集面積，交集面積越大，分數越高。

每個方格預測的結果包含 5 個數值，x 、y 、w 、 h 跟 confidence，x 與 y 是 bounding box 的中間點，w 與 h 是 bounding box 的寬跟高。

YOLO 的網路設計包含了 24 個卷積層，跟 2 層的 FC 網路。

另外一個版本的 YOLO Fast 則只有 9 個卷積層，不過最後的輸出都是 7x7x30 的 tensor。

YOLO 的缺點

1. 由於 YOLO 對於每個方格提兩個 bounding box 去作偵測，所以不容易去區分兩個相鄰且中心點又非常接近的物體
2. 只有兩種 bounding box，所以遇到長寬比不常見的物體的檢測率較差

YOLO 與其他模型的比較

YOLO2

YOLO2 建構於 YOLO 之上，但是有更好的準確度，更快速的判斷速度，能夠判斷更多的物件種類(多達 9000 種)，所以是更好(Better)、更快(Faster)、更強大(Stronger)！