本文是关于目标检测的系列文章，——YOLO算法。介绍了其基本原理和实现细节，并用python实现，方便读者体验目标检测的乐趣。
在上一篇文章中，介绍了——RCNN系列算法的原理，计算机视觉领域中目标检测的相关方法，以及更快RCNN的实现。这些算法面临的问题之一不是端到端模型。几个部件拼凑在一起形成整个检测系统，操作复杂。本文将介绍另一种端到端的方法，——YOLO算法，操作简单，仿真速度快，效果还不错。
YOLO算法是什么？
YOLO框架(你只看一次)不同于RCNN系列算法，它以不同的方式处理对象检测。它把整幅图像放在一个例子中，预测这些盒子的包围盒的坐标和以及它们所属类别的概率。使用YOLO算法的最大优点是速度极快，每秒可以处理45帧，还可以理解一般的对象表示。
YOLO框架如何运作？
在这一节中，将介绍YOLO在给定图像中检测物体的处理步骤。
首先，输入图像：
然后，YOLO将输入图像分成网格形式(例如33):
最后对每个网格进行图像分类和定位处理，得到预测对象的边界框及其对应的类概率。整个过程清楚吗？下面就一个一个介绍吧。首先，您需要将标记数据传输到模型中进行训练。假设图像已经被划分成33的网格，总共只有3个类别，分别是行人(c1)、汽车(c2)、摩托车(c3)。因此，对于每个单元格，标签Y将是一个八维向量：
其中包括：
定义pc对象是否存在于网格中(存在的概率)；Bx，by，bh，bw指定边界框；C1、c2和c3代表类别。如果检测的对象是汽车，c2处的值将是1，c1和c3处的值将是0；假设从上面的示例中选择了第一个网格：
由于此网格中没有对象，pc将为零，此网格的Y标签将为：
？其他值是什么并不重要，因为网格中没有对象。这是另一个汽车网格(c2=1):
在为这个网格写Y标签之前，你应该首先理解YOLO是如何确定网格中是否有实际的对象的。大图中有两个物体(两辆车)，所以YOLO将取这两个物体的中心点，物体将被分配到包含这些物体中心的网格中。中心左侧网格的Y标签将如下所示：
因为这个网格中有对象，所以pc将等于1，bx，by，bh，bw将相对于正在处理的特定网格单元进行计算。由于检测的对象是汽车，c2=1，c1和c3都是0。对于9个网格中的每个单元格，都有一个8维输出向量。最终的输出形状是3X3X8。
使用上面的例子(输入图像：1001003，输出：3X3X8)，模型将被训练如下：
ave image的意思9.jpg">使用经典的CNN网络构建模型，并进行模型训练。在测试阶段，将图像传递给模型，经过一次前向传播就得到输出y。为了简单起见，使用3X3网格解释这一点，但通常在实际场景中会采用更大的网格（比如19X19）。
即使一个对象跨越多个网格，它也只会被分配到其中点所在的单个网格。可以通过增加更多网格来减少多个对象出现在同一网格单元中的几率。
如何编码边界框？
如前所述，bx、by、bh和bw是相对于正在处理的网格单元计算而言的。下面通过一个例子来说明这一点。以包含汽车的右边网格为例：
由于bx、by、bh和bw将仅相对于该网格计算。此网格的y标签将为：
由于这个网格中有一个对象汽车，所以pc=1、c2=1。现在，看看如何决定bx、by、bh和bw的取值。在YOLO中，分配给所有网格的坐标都如下图所示：
bx、by是对象相对于该网格的中心点的x和y坐标。在例子中，近似bx=0.4和by=0.3：
bh是边界框的高度与相应单元网格的高度之比，在例子中约为0.9：bh=0.9，bw是边界框的宽度与网格单元的宽度之比，bw=0.5。此网格的y标签将为：
请注意，bx和by将始终介于0和1之间，因为中心点始终位于网格内，而在边界框的尺寸大于网格尺寸的情况下，bh和bw可以大于1。
非极大值抑制|Non-Max Suppression
这里有一些思考的问题——如何判断预测的边界框是否是一个好结果（或一个坏结果）？单元格之间的交叉点，计算实际边界框和预测的边界框的并集交集。假设汽车的实际和预测边界框如下所示：
其中，红色框是实际的边界框，蓝色框是预测的边界框。如何判断它是否是一个好的预测呢？IoU将计算这两个框的并集交叉区域：
IoU =交叉面积/联合的面积；在本例中：IoU =黄色面积/绿色面积；如果IoU大于0.5，就可以说预测足够好。0.5是在这里采取的任意阈值，也可以根据具体问题进行更改。阈值越大，预测就越准确。
还有一种技术可以显着提高YOLO的效果——非极大值抑制。
对象检测算法最常见的问题之一是，它不是一次仅检测出一次对象，而可能获得多次检测结果。假设：
上图中，汽车不止一次被识别，那么如何判定边界框呢。非极大值抑可以解决这个问题，使得每个对象只能进行一次检测。下面了解该方法的工作原理。
1.它首先查看与每次检测相关的概率并取最大的概率。在上图中，0.9是最高概率，因此首先选择概率为0.9的方框：
2.现在，它会查看图像中的所有其他框。与当前边界框较高的IoU的边界框将被抑制。因此，在示例中，0.6和0.7概率的边界框将被抑制：
3.在部分边界框被抑制后，它会从概率最高的所有边界框中选择下一个，在例子中为0.8的边界框：
4.再次计算与该边界框相连边界框的IoU，去掉较高IoU值的边界框：
5.重复这些步骤，得到最后的边界框：
以上就是非极大值抑制的全部内容，总结一下关于非极大值抑制算法的要点：
丢弃概率小于或等于预定阈值（例如0.5）的所有方框；对于剩余的边界框：选择具有最高概率的边界框并将其作为输出预测；计算相关联的边界框的IoU值，舍去IoU大于阈值的边界框；重复步骤2，直到所有边界框都被视为输出预测或被舍弃；Anchor Boxes
在上述内容中，每个网格只能识别一个对象。但是如果单个网格中有多个对象呢？这就行需要了解 Anchor Boxes的概念。假设将下图按照3X3网格划分：
获取对象的中心点，并根据其位置将对象分配给相应的网格。在上面的示例中，两个对象的中心点位于同一网格中：
上述方法只会获得两个边界框其中的一个，但是如果使用Anchor Boxes，可能会输出两个边界框！我们该怎么做呢？首先，预先定义两种不同的形状，称为Anchor Boxes。对于每个网格将有两个输出。这里为了易于理解，这里选取两个Anchor Boxes，也可以根据实际情况增加Anchor Boxes的数量：
没有Anchor Boxes的YOLO输出标签如下所示：
有Anchor Boxes的YOLO输出标签如下所示：
前8行属于Anchor Boxes1，其余8行属于Anchor Boxes2。基于边界框和框形状的相似性将对象分配给Anchor Boxes。由于Anchor Boxes1的形状类似于人的边界框，后者将被分配给Anchor Boxes1，并且车将被分配给Anchor Boxes2.在这种情况下的输出，将是3X3X16大小。
因此，对于每个网格，可以根据Anchor Boxes的数量检测两个或更多个对象。
结合思想
在本节中，首先介绍如何训练YOLO模型，然后是新的图像进行预测。
训练
训练模型时，输入数据是由图像及其相应的y标签构成。样例如下：
假设每个网格有两个Anchor Boxes，并划分为3X3网格，并且有3个不同的类别。因此，相应的y标签具有3X3X16的形状。训练过程的完成方式就是将特定形状的图像映射到对应3X3X16大小的目标。
测试
对于每个网格，模型将预测·3X3X16·大小的输出。该预测中的16个值将与训练标签的格式相同。前8个值将对应于Anchor Boxes1，其中第一个值将是该网络中对象的概率，2-5的值将是该对象的边界框坐标，最后三个值表明对象属于哪个类。以此类推。
最后，非极大值抑制方法将应用于预测框以获得每个对象的单个预测结果。
以下是YOLO算法遵循的确切维度和步骤：
准备对应的图像（608,608,3）;将图像传递给卷积神经网络（CNN），该网络返回（19,19,5,85）维输出;输出的最后两个维度被展平以获得（19,19,425）的输出量：19×19网格的每个单元返回425个数字;425=5 * 85，其中5是每个网格的Anchor Boxes数量；85= 5+80，其中5表示（pc、bx、by、bh、bw），80是检测的类别数；最后，使用IoU和非极大值抑制去除重叠框；YOLO算法实现
本节中用于实现YOLO的代码来自Andrew NG的GitHub存储库，需要下载此zip文件，其中包含运行此代码所需的预训练权重。
首先定义一些函数，这些函数将用来选择高于某个阈值的边界框，并对其应用非极大值抑制。首先，导入所需的库：
import osimport matplotlib.pyplot as pltfrom matplotlib.pyplot import imshowimport scipy.ioimport scipy.miscimport numpy as npimport pandas as pdimport PILimport tensorflow as tffrom skimage.transform import resizefrom keras import backend as Kfrom keras.layers import Input, Lambda, Conv2Dfrom keras.models import load_model, Modelfrom yolo_utils import read_classes, read_anchors, generate_colors, preprocess_image, draw_boxes, scale_boxesfrom yad2k.models.keras_yolo import yolo_head, yolo_boxes_to_corners, preprocess_true_boxes, yolo_loss, yolo_body%matplotlib inline然后，实现基于概率和阈值过滤边界框的函数：
def yolo_filter_boxes(box_confidence, boxes, box_class_probs, threshold = .6): box_scores = box_confidence*box_class_probs box_classes = K.argmax(box_scores,-1) box_class_scores = K.max(box_scores,-1) filtering_mask = box_class_scores>threshold scores = tf.boolean_mask(box_class_scores,filtering_mask) boxes = tf.boolean_mask(boxes,filtering_mask) classes = tf.boolean_mask(box_classes,filtering_mask) return scores, boxes, classes之后，实现计算IoU的函数：
def iou(box1, box2): xi1 = max(box1<0>,box2<0>) yi1 = max(box1<1>,box2<1>) xi2 = min(box1<2>,box2<2>) yi2 = min(box1<3>,box2<3>) inter_area = (yi2-yi1)*(xi2-xi1) box1_area = (box1<3>-box1<1>)*(box1<2>-box1<0>) box2_area = (box2<3>-box2<1>)*(box2<2>-box2<0>) union_area = box1_area+box2_area-inter_area iou = inter_area/union_area return iou然后，实现非极大值抑制的函数：
def yolo_non_max_suppression(scores, boxes, classes, max_boxes = 10, iou_threshold = 0.5): max_boxes_tensor = K.variable(max_boxes, dtype='int32') K.get_session().run(tf.variables_initializer(
yolo_outputs = (tf.random_normal(<19, 19, 5, 1>, mean=1, stddev=4, seed = 1), tf.random_normal(<19, 19, 5, 2>, mean=1, stddev=4, seed = 1), tf.random_normal(<19, 19, 5, 2>, mean=1, stddev=4, seed = 1), tf.random_normal(<19, 19, 5, 80>, mean=1, stddev=4, seed = 1))最后，实现一个将CNN的输出作为输入并返回被抑制的边界框的函数：
def yolo_eval(yolo_outputs, image_shape = (720., 1280.), max_boxes=10, score_threshold=.6, iou_threshold=.5): box_confidence, box_xy, box_wh, box_class_probs = yolo_outputs boxes = yolo_boxes_to_corners(box_xy, box_wh) scores, boxes, classes = yolo_filter_boxes(box_confidence, boxes, box_class_probs, threshold = score_threshold) boxes = scale_boxes(boxes, image_shape) scores, boxes, classes = yolo_non_max_suppression(scores, boxes, classes, max_boxes, iou_threshold) return scores, boxes, classes使用yolo_eval函数对之前创建的随机输出向量进行预测：
scores, boxes, classes = yolo_eval(yolo_outputs)with tf.Session() as test_b: print("scores<2> = " + str(scores<2>.eval())) print("boxes<2> = " + str(boxes<2>.eval())) print("classes<2> = " + str(classes<2>.eval()))
score表示对象在图像中的可能性，boxes返回检测到的对象的（x1，y1，x2，y2）坐标，classes表示识别对象所属的类。
现在，在新的图像上使用预训练的YOLO算法，看看其工作效果：
sess = K.get_session()class_names = read_classes("model_data/coco_classes.txt")anchors = read_anchors("model_data/yolo_anchors.txt")yolo_model = load_model("model_data/yolo.h5")在加载类别信息和预训练模型之后，使用上面定义的函数来获取·yolo_outputs·。
yolo_outputs = yolo_head(yolo_model.output, anchors, len(class_names))之后，定义一个函数来预测边界框并在图像上标记边界框：
def predict(sess, image_file): image, image_data = preprocess_image("images/" + image_file, model_image_size = (608, 608)) out_scores, out_boxes, out_classes = sess.run(
img = plt.imread('images/img.jpg')image_shape = float(img.shape<0>), float(img.shape<1>)scores, boxes, classes = yolo_eval(yolo_outputs, image_shape)最后，输出预测结果：
out_scores, out_boxes, out_classes = predict(sess, "img.jpg")
以上就是YOLO算法的全部内容，更多详细内容可以关注darknet的官网。
作者信息
PULKIT SHARMA，机器学习和深度学习
本文由阿里云云栖社区组织翻译。
文章原标题《A Practical Guide to Object Detection using the Popular YOLO Framework – Part III (with Python codes)》，译者：海棠，审校：Uncle_LLD。
