YOLO-Papier (2016)

YOLO (You Only Look Once) ist ein Echtzeit-Objekterkennungssystem, das 2015 von Joseph Redmon et al. eingeführt wurde und ein einzelnes卷积神经网络 verwendet, um Begrenzungsrahmen und Klassenwahrscheinlichkeiten direkt aus vollständigen Bildern vorherzusagen.

You Only Look Once (YOLO) ist eine Serie von Echtzeit-Objekterkennungssystemen, die auf convolutional neuronalen Netzen basiert. Erstmals 2015 von Joseph Redmon und Kollegen vorgestellt, wurde YOLO mehrfach weiterentwickelt und verbessert und ist zu einem der beliebtesten Frameworks für Objekterkennung geworden. Der Name „You Only Look Once“ bezieht sich darauf, dass der Algorithmus nur einen einzigen Vorwärtsdurchlauf durch das neuronale Netz benötigt, um Vorhersagen zu treffen, im Gegensatz zu früheren Techniken auf Basis von Regionsvorschlägen wie R-CNN, die für ein einzelnes Bild tausende Durchläufe benötigen.

YOLO behandelt Objekterkennung als ein einzelnes Regressionsproblem und sagt direkt Begrenzungsrahmen-Koordinaten und Klassenwahrscheinlichkeiten aus Bildpixeln voraus. Dieser Ansatz unterscheidet sich von früheren Methoden, die Klassifikatoren auf mehrere Bildregionen und -skalen anwendeten, was YOLO deutlich schneller macht, während eine vergleichbare Genauigkeit erhalten bleibt.

Überblick

Im Vergleich zu früheren Methoden wie R-CNN und OverFeat wendet YOLO ein einzelnes neuronales Netz auf das gesamte Bild an, anstatt das Modell an mehreren Positionen und Skalen auszuführen. Das Netz teilt das Bild in ein Gitter von Regionen auf und sagt Begrenzungsrahmen und Klassenwahrscheinlichkeiten für jede Region voraus. Diese Begrenzungsrahmen werden mit den vorhergesagten Wahrscheinlichkeiten gewichtet, sodass das Modell die endgültigen Erkennungen in einem Durchlauf ausgeben kann.

OverFeat

OverFeat war ein frühes einflussreiches Modell für die gleichzeitige Objektklassifikation und -lokalisierung und diente als Vorläufer von YOLO. Seine Architektur bestand darin, ein neuronales Netz nur für die Bildklassifikation zu trainieren, wie etwa AlexNet. Die letzte Schicht des trainierten Netzes wurde dann entfernt, und für jede mögliche Objektklasse wurde eine Regressionsschicht an der letzten Schicht initialisiert. Das Basissystem hatte eingefrorene Parameter, und das Regressionsnetz wurde trainiert, die Koordinaten zweier Ecken des Begrenzungsrahmens des Objekts vorherzusagen.

Während der Inferenz wurde das für die Klassifikation trainierte Netz über dasselbe Bild bei vielen verschiedenen Zoomstufen und Ausschnitten ausgeführt. Für jeden Durchlauf gab es eine Klassenbezeichnung und eine Wahrscheinlichkeit aus. Jede Ausgabe wurde dann vom Regressionsnetz der entsprechenden Klasse verarbeitet, was tausende Begrenzungsrahmen mit Klassenbezeichnungen und Wahrscheinlichkeiten ergab. Diese Rahmen wurden zusammengeführt, bis nur noch ein Rahmen mit einer einzigen Klassenbezeichnung übrig blieb. Dieser mehrskalige Ansatz war rechenintensiv und motivierte die Notwendigkeit einer effizienteren Methode wie YOLO.

Versionen

Die YOLO-Serie besteht aus zwei Teilen. Der ursprüngliche Teil umfasste YOLOv1, v2 und v3, die alle auf einer von Joseph Redmon gepflegten Website veröffentlicht wurden. Spätere Versionen, einschließlich YOLOv4 und darüber hinaus, wurden von anderen Forschern entwickelt und erweiterten die Fähigkeiten des Frameworks.

YOLOv1

Der ursprüngliche YOLO-Algorithmus, eingeführt 2015, teilt das Bild in ein S × S-Gitter von Zellen auf. Wenn der Mittelpunkt des Begrenzungsrahmens eines Objekts in eine Gitterzelle fällt, gilt diese Zelle als „enthaltend“ dieses Objekt. Jede Gitterzelle sagt B Begrenzungsrahmen und Konfidenzwerte für diese Rahmen voraus. Diese Konfidenzwerte spiegeln wider, wie sicher das Modell ist, dass der Rahmen ein Objekt enthält, und wie genau es den Rahmen einschätzt.

Genauer gesagt führt das Netz dieselbe Faltungsoperation über jedes der S²-Patches aus. Die Ausgabe für jedes Patch ist ein Tupel, das bedingte Klassenwahrscheinlichkeiten, Begrenzungsrahmen-Koordinaten und Konfidenzwerte enthält. Insbesondere gibt das Netz für jede Zelle p_i aus, die bedingte Wahrscheinlichkeit, dass die Zelle ein Objekt der Klasse i enthält, unter der Bedingung, dass sie mindestens ein Objekt enthält. Außerdem gibt es für jeden der B Rahmen die Mittelpunktskoordinaten (x_j, y_j), die Breite w_j, die Höhe h_j und einen Konfidenzwert c_j aus, der die vorhergesagte Intersection over Union (IoU) mit der Ground Truth darstellt.

Pro Zelle werden mehrere Begrenzungsrahmen vorhergesagt, damit sich jede Vorhersage auf eine bestimmte Form spezialisieren kann. Beispielsweise könnten schlanke Objekte von einem Rahmen vorhergesagt werden, während gedrungene Objekte von einem anderen vorhergesagt werden. Die Netzarchitektur besteht aus 24 Faltungsschichten, gefolgt von 2 voll verbundenen Schichten.

Während des Trainings wird für jede Zelle, die einen Ground-Truth-Begrenzungsrahmen enthält, nur der vorhergesagte Rahmen mit der höchsten IoU mit der Ground Truth für den Gradientenabstieg verwendet. Die Koordinaten werden trainiert, sich der Ground Truth anzunähern, die Klassenwahrscheinlichkeit für die korrekte Klasse wird in Richtung 1 gedrückt, und andere Klassenwahrscheinlichkeiten werden in Richtung null gedrückt. Wenn eine Zelle kein Ground-Truth-Objekt enthält, werden ihre Konfidenzwerte in Richtung null trainiert, wodurch falsch positive Ergebnisse reduziert werden.

Auswirkungen und Vermächtnis

YOLOs Ein-Pass-Design machte es zu einem Durchbruch in der Echtzeit-Objekterkennung und ermöglichte Anwendungen in der Videoüberwachung, im autonomen Fahren und in der Robotik. Seine Geschwindigkeit und Einfachheit inspirierten zahlreiche Folgearbeiten und Varianten und festigten seinen Platz als grundlegendes Modell im Bereich Computer Vision. Das ursprüngliche YOLO-Papier wurde weithin zitiert, und das Framework bleibt ein Maßstab für Echtzeit-Erkennungssysteme.