Ты смотришь только один раз

You Only Look Once (YOLO) — это серия систем обнаружения объектов в реальном времени , основанных на сверточных нейронных сетях . Впервые представленная Джозефом Редмоном и др. в 2015 году, ^[1] YOLO претерпела несколько итераций и улучшений, став одной из самых популярных платформ обнаружения объектов. ^[2]

Название «Вы смотрите только один раз» связано с тем, что алгоритму требуется только один проход прямого распространения через нейронную сеть для составления прогнозов, в отличие от предыдущих методов, основанных на предложениях областей, таких как R-CNN , которым для одного изображения требовались тысячи проходов.

По сравнению с предыдущими методами, такими как R-CNN и OverFeat, ^[3] вместо применения модели к изображению в нескольких местах и ​​масштабах, YOLO применяет одну нейронную сеть к полному изображению. Эта сеть делит изображение на регионы и предсказывает ограничивающие рамки и вероятности для каждого региона. Эти ограничивающие рамки взвешиваются по предсказанным вероятностям.

OverFeat была одной из первых влиятельных моделей для одновременной классификации и локализации объектов. ^{[3] [4]} Ее архитектура выглядит следующим образом:

• Обучить нейронную сеть только для классификации изображений («сеть, обученная классификации»). Это может быть что-то вроде AlexNet .
• Последний слой обученной сети удаляется, и для каждого возможного класса объектов инициализируется сетевой модуль на последнем слое («сеть регрессии»). Базовая сеть имеет замороженные параметры. Сеть регрессии обучается предсказывать координаты двух углов ограничивающего прямоугольника объекта.${\displaystyle (x,y)}$

• Во время вывода обученная по классификации сеть запускается на одном и том же изображении с использованием множества различных уровней масштабирования и обрезки. Для каждого из них она выводит метку класса и вероятность для этой метки класса. Затем каждый вывод обрабатывается регрессионной сетью соответствующего класса. Это приводит к тысячам ограничивающих рамок с метками класса и вероятностью. Эти рамки объединяются до тех пор, пока не останется только одна рамка с одной меткой класса.

Серия YOLO состоит из двух частей. Оригинальная часть содержала YOLOv1, v2 и v3, все они были опубликованы на веб-сайте, поддерживаемом Джозефом Редмоном. ^[5]

Оригинальный алгоритм YOLO, представленный в 2015 году, ^[1] делит изображение на сетку ячеек. Если центр ограничивающего прямоугольника объекта попадает в ячейку сетки, то говорят, что эта ячейка «содержит» этот объект. Каждая ячейка сетки предсказывает B ограничивающих прямоугольников и баллы уверенности для этих прямоугольников. Эти баллы уверенности отражают, насколько модель уверена в том, что прямоугольник содержит объект, и насколько точным она считает прямоугольник, который она предсказывает.${\displaystyle S\times S}$

Более подробно, сеть выполняет одну и ту же операцию свертки над каждым из патчей. Выход сети на каждом патче представляет собой кортеж следующим образом: где ${\displaystyle S^{2}}$$${\displaystyle (p_{1},\dots ,p_{C},c_{1},x_{1},y_{1},w_{1},h_{1},\dots ,c_{B},x_{B},y_{B},w_{B},h_{B})}$$

• ${\displaystyle p_{i}}$— условная вероятность того, что ячейка содержит объект класса , при условии, что ячейка содержит хотя бы один объект.${\displaystyle я}$
• ${\displaystyle x_{j},y_{j},w_{j},h_{j}}$являются координатами центра, шириной и высотой -го предсказанного ограничивающего прямоугольника, который центрирован в ячейке. Несколько ограничивающих прямоугольников предсказаны, чтобы позволить каждому предсказанию специализироваться на одном виде ограничивающего прямоугольника. Например, тонкие объекты могут быть предсказаны с помощью , а толстые объекты могут быть предсказаны с помощью .${\displaystyle j}$${\displaystyle j=2}$${\displaystyle j=1}$
• ${\displaystyle c_{j}}$— это прогнозируемое пересечение по объединению (IoU) каждого ограничивающего прямоугольника с соответствующим ему истинным значением.

Архитектура сети имеет 24 сверточных слоя, за которыми следуют 2 полностью связанных слоя.

Во время обучения для каждой ячейки, если она содержит ограничивающий прямоугольник истинности, то для градиентного спуска используются только предсказанные ограничивающие прямоугольники с наивысшим IoU с ограничивающими прямоугольниками истинности. Конкретно, пусть будет предсказанным ограничивающим прямоугольником, а пусть будет меткой класса истинности, затем обучаются градиентным спуском, чтобы приблизиться к истинности, обучаются к , другие обучаются к нулю.${\displaystyle j}$${\displaystyle я}$${\displaystyle x_{j},y_{j},w_{j},h_{j}}$${\displaystyle p_{i}}$${\displaystyle 1}$${\displaystyle p_{i'}}$

Если ячейка не содержит истинных данных, то она обучается только методом градиентного спуска для приближения к нулю.${\displaystyle c_{1},c_{2},\точки ,c_{B}}$

Выпущенный в 2016 году, YOLOv2 (также известный как YOLO9000) ^{[6] [7]} улучшил исходную модель, включив пакетную нормализацию, классификатор с более высоким разрешением и используя якорные рамки для прогнозирования ограничивающих рамок. Он мог обнаружить более 9000 категорий объектов. Он также был выпущен на GitHub под лицензией Apache 2.0. ^[8]

YOLOv3, представленный в 2018 году, содержал только «постепенные» улучшения, включая использование более сложной магистральной сети, множественных шкал для обнаружения и более сложной функции потерь. ^[9]

Последующие версии YOLO (v4, v5 и т. д.) ^{[10] [11] [12] [13]} были разработаны разными исследователями, еще больше улучшив производительность и внедрив новые функции. Эти версии официально не связаны с первоначальными авторами YOLO, но основываются на их работе. ^[5] По состоянию на 2023 год ^{[обновлять]}существует до YOLOv8. ^[2]

• Компьютерное зрение
• Обнаружение объектов
• Сверточная нейронная сеть
• Р-CNN
• SqueezeNet
• MobileNet
• Эффективная сеть

• Официальный сайт YOLO
• Реализация YOLO в Darknet