YOLO v1, v2, v3
Object detection algorithm: YOLO introduction
簡單針對YOLO做介紹並複習
YOLO v1 paper: https://arxiv.org/pdf/1506.02640.pdf
YOLO v2 paper: https://arxiv.org/pdf/1612.08242.pdf
YOLO v3 paper: https://pjreddie.com/media/files/papers/YOLOv3.pdf
下圖為三種YOLO的相關結構
YOLO v1:
基本想法就是將圖片經過CNN訓練之後，分成7*7的grid cell, 每個grid cell會預測1~2種的object，並生成對該object的信心機率和該object的bounding box 大小。
結構：把整張圖（448*448*3）餵進CNN模型裡，輸出(7*7*(b*5+c))的預測結果資料和7*7*b個bounding boxes。（b為bounding box數量, c為categories數量）
假設b=2 & c=20，則會輸出7*7*2個bounding box，之後會再經過threshold 設定和NMS(Non-Maximum Suppression)來減少bounding box達到最後物件偵測。
詳細的Loss function可參考：連結 ; 詳細關於NMS介紹可參考：連結
YOLO v2:
基本上相對於YOLO v1針對了幾個地方做了加強和修改：
- Batch normalization: 捨棄dropout改用batch normalization。提升2% mAP。
- High resolution classifier: 在YOLOv2，作者一開始在協調分類網絡(指DarkNet-19)用的448X448全分辨率在ImageNet上跑了10個epoch。使模型提升了4% mAP。
- 使用Anchor box: 捨棄YOLO v1最後用FCN直接預測bounding box的方法而改用faster-RCNN的anchor box概念。這中間也做了一些修正，包含:
3.1 輸入圖片大小448*448改成416*416：使特徵圖恰好只有一個中心位置
3.2 針對網路最後輸出13*13的feature map分成13×13個grid cell，每個cell用5個anchor box預測得到5個bounding box，一共有13×13×5=845個box
詳細請參考：論文
4. Fine-Grained Features: 增加26*26*512的特徵圖，使對小圖型的尺度檢視效果更好（原本只有13*13的feature map檢測小圖形不夠精確）
26*26*512的特徵圖經passthrough層處理之後就變成了13×13×2048的新特徵圖（特徵圖大小降低4倍，而channles增加4倍），這樣就可以與原本的13×13×1024特徵圖連接在一起形成13×13×3072的特徵圖YOLO v3:
YOLO v3本相較於v2，著重的部分並非速度，主要是針對bounding box數量及對小尺寸物件的偵測能力做增強。
- 關於YOLO v3的anchor box修正可以參考：連結
v3對b-box進行預測的時候，採用了logistic regression。有了平移（tx,ty）和尺度縮放（tw,th）才能讓anchor box經過微調與grand truth重合。如圖3，紅色框為anchor box，綠色框為Ground Truth，平移+尺度縮放可實線紅色框先平移到虛線紅色框，然後再縮放到綠色框。邊框回歸最簡單的想法就是通過平移加尺度縮放進行微調。
2. Predictions Across Scales：
YOLO v3使用了三種尺度的網路，13*13, 26*26, 52*52，每個grid搭配3個bounding box來做預測，使整個神經網路可以針對圖片中小尺寸的物件有更好的偵測成果。
結構圖：
三代YOLO的結構圖：
YOLO各版本比較：
