前面我們認識的都是＂two stage＂的方法，在整體的運行過程上沒有那麼快速，所以在很多行動裝置上都漸漸地採用＂oen stage＂來做影像辨識，這邊要介紹的是 YOLO 系列！

YOLO（You Only Look Once）

＂只要讓我看一眼，我就知道是什麼＂，像字面上的意思，當圖片經過 YOLO 這個演算法，只需要對圖片做一次深度學習便能夠判斷裡面的物體類別跟位置，且可以一次偵測多個物件，大大提升辨識速度。

接下來我們先從一開始的 YOLOv1 開始認識吧～

YOLOv1

YOLOv1 就是這個構想的第一版，把整張圖片當作輸入，會直接預測出 bounding box 的座標位置，且 bounding box 包含物體的 confidence 和物體的 classification。

confidence 是物體的信心分數，代表此框為 ground truth 的機率為多少。

YOLOv1 的實現

基本上就是將圖拆成很多個 grid cell，然後在每個 grid cell 進行 bounding box 的預測和屬於哪個類別的機率預測，最後用 threshold 和 NMS （非極大值抑制，Non-Maximum Suppression）的方式得到結果。

• step 1
  YOLO 會把圖平均分成 S×S 格，每一格在英文中被稱為 grid cell。
  當＂要被偵測的物件中心＂落在哪一個 grid cell，該 grid cell 就要負責偵測這個物件。
• step 2
  每個 grid cell 必須要負責預測「n 個 bounding boxes」和「屬於每個類別的機率」。每個 bounding box 會帶有 5 個參數 (x, y, w, h, and confidence)
  • (x, y) 是物件在 grid cell 的中心座標
  • w 和 h 是 bbox 的寬度和高度

我們會習慣把 bounding box 簡寫成 bbox~ （不是饒舌的那種 B-box）

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

  • B 是在一個 grid cell 中 bbox 的數量
  • 乘上 5 是因為每個 bbox 有 5 個參數
  • C 是物件的類別數量

YOLOv1 的缺點

YOLOv1 對於靠得很近的物體，或是很小的物體，辨識效果不是很好，這是因為一個 grid cell 裡最多只產生兩個 bbox 來偵測。

未完待續......

圖片來源1
圖片來源2
論文