AI學習筆記——精準識別You Only Look Once(YOLO)

TensorFlow · 發表 2019-04-09 08:02:11

摘要：上一篇文章我們講到，通過卷積神經網路(CNN) 可以輕鬆實現圖片的識別與分類。所以，只要有足夠多的，已標記的樣本，我們就可以用這些樣本將神經網路訓練成分類器，用來識別新的圖片。MINST手寫數字的樣本，可以訓練手寫數字分類器；不同品種貓的樣本，可以訓練出貓的分類器；人臉的樣本可以訓練出人臉...

上一篇文章我們講到，通過 卷積神經網路(CNN) 可以輕鬆實現圖片的識別與分類。所以，只要有足夠多的，已標記的樣本，我們就可以用這些樣本將神經網路訓練成分類器，用來識別新的圖片。MINST手寫數字的樣本，可以訓練手寫數字分類器；不同品種貓的樣本，可以訓練出貓的分類器；人臉的樣本可以訓練出人臉分類器...

對於人類來說，給我們一張圖片，或者我們瞄一眼一個畫面，畫面或圖片中的每個物品和物品的相應位置就能立即被我們識別。然而，上面提到分類器似乎只能識別單一物品，即便能識別多個物品，也無法指出物品在圖片中的位置。

這篇文章我們就來聊聊 YOLO [1]這個神奇的模型，它可以像人一樣，一眼就能識別圖片中的物體以及物體的位置。更加神奇的是，對於動態視訊甚至攝像頭實時採集的畫面，YOLO都能精準識別。

image source from github with GNU General Public License v3.0

1. 目標識別簡史

2001年左右，Viola-Jones的人臉識別演算法[2]是當時準確度較高的目標識別演算法，這個演算法需要先標記出 人臉的特徵值 ，比如眼睛鼻子間的距離等，然後再送給機器使用支撐向量(SVM)的方法進行訓練。

2005年，N. Dalal[3]將人臉的圖片先進行灰度分析，形成 灰度特徵向量(Histograms of Oriented Gradient) ，再將這些預處理過的圖片送入計算機進行分類訓練，大大提高了人臉識別的精確度。

2012年， Kriszhevsky團隊用 卷積神經網路(CNN) 將人臉識別的準確率再提高了一個臺階，從此目標識別領域邁進了 深度學習 的時代。

正如本文開篇講到，普通的CNN網路只能對單個物體進行識別，而且無法指出物體的位置。為了解決這個問題， R-CNN 演算法就誕生了。R-CNN需要對圖片掃描多次，先框出圖片可能有物體的區域，然後再對這些區域用CNN演算法進行識別。

2. YOLO原理簡介

YOLO—You Only Look Once，顧名思義，就是對圖片僅進行一次掃描就能同時識別多個物體，並標記出物體的位置。YOLO目前已經迭代出了多個版本，但是基本原理沒有改變，我們以YOLO V2為例。

首先，YOLO將一張圖片分成13×13個格子。

Alt Text

image sorce from github with GNU General Public License v3.0

然後，YOLO對每個格子輸出5個 預測框 。預測框的粗細可以表明這個框記憶體在目標物體的可能性。

Alt Text

image sorce from github with GNU General Public License v3.0

其次，這些預測框同時可以預測目標物體的類別，如下圖，用不同顏色標記不同 類別(20個) ，粗細同樣表示可能性的大小。

Alt Text

image sorce from github with GNU General Public License v3.0

最後，YOLO將可能性比較大(比較粗)的預測框輸出，就得到我們想要的結果了。

image sorce from github with GNU General Public License v3.0

3. YOLO結構

如下圖，所示，YOLO是由我們熟悉的若干個CNN堆疊而成的，我們來看看原始圖片經過多層CNN處理之後，最後一層輸出的是什麼。

YOLO最後一層輸出的是一個13×13×125的矩陣，所有我們需要的資訊都包含在了這一層中。

13×13就是之前提到的圖片中被劃分成的13×13個格子。
每個格子包含125位資訊，這125位資訊包含5個 預測框 ，每個預測框含有25位資訊(125= 5×25)。
這25位資訊，前五位為 [x, y, width, height, Score] ；其中，(x, y) 表示預測框的 中心座標 ，width和height表示預測框的 長，寬 ，Score表示預測框中有目標的 可能性 。
這25位資訊，後20位每一位代表一個類別，其數表示屬於該類別的概率。