You Only Look Once (YOLO) é uma série de sistemas de detecção de objetos em tempo real baseados em redes neurais convolucionais. Introduzido pela primeira vez por Joseph Redmon e colegas em 2015, o YOLO passou por várias iterações e melhorias, tornando-se um dos frameworks de detecção de objetos mais populares. O nome "You Only Look Once" refere-se ao fato de que o algoritmo requer apenas uma passagem de propagação direta pela rede neural para fazer previsões, ao contrário de técnicas anteriores baseadas em propostas de regiões, como o R-CNN, que exigem milhares de passagens para uma única imagem.
O YOLO enquadra a detecção de objetos como um único problema de regressão, prevendo diretamente as coordenadas das caixas delimitadoras e as probabilidades de classe a partir dos pixels da imagem. Essa abordagem contrasta com métodos anteriores que aplicavam classificadores a múltiplas regiões e escalas da imagem, tornando o YOLO significativamente mais rápido, mantendo uma precisão competitiva.
Visão geral
Comparado a métodos anteriores, como R-CNN e OverFeat, o YOLO aplica uma única rede neural à imagem completa, em vez de executar o modelo em múltiplas localizações e escalas. A rede divide a imagem em uma grade de regiões e prevê caixas delimitadoras e probabilidades de classe para cada região. Essas caixas delimitadoras são ponderadas pelas probabilidades previstas, permitindo que o modelo produza detecções finais em uma única passagem.
OverFeat
O OverFeat foi um modelo influente inicial para classificação e localização simultâneas de objetos, e serviu como precursor do YOLO. Sua arquitetura envolvia treinar uma rede neural apenas para classificação de imagens, como o AlexNet. A última camada da rede treinada era então removida e, para cada classe de objeto possível, uma rede de regressão era inicializada na última camada. A rede base tinha seus parâmetros congelados, e a rede de regressão era treinada para prever as coordenadas de dois cantos da caixa delimitadora do objeto.
Durante a inferência, a rede treinada para classificação era executada sobre a mesma imagem em muitos níveis de zoom e recortes diferentes. Para cada um, ela produzia um rótulo de classe e uma probabilidade. Cada saída era então processada pela rede de regressão da classe correspondente, resultando em milhares de caixas delimitadoras com rótulos de classe e probabilidades. Essas caixas eram mescladas até restar apenas uma caixa com um único rótulo de classe. Essa abordagem multi-escala era computacionalmente cara, motivando a necessidade de um método mais eficiente, como o YOLO.
Versões
A série YOLO consiste em duas partes. A parte original continha YOLOv1, v2 e v3, todos lançados em um site mantido por Joseph Redmon. Versões posteriores, incluindo YOLOv4 e além, foram desenvolvidas por outros pesquisadores e expandiram as capacidades do framework.
YOLOv1
O algoritmo YOLO original, introduzido em 2015, divide a imagem em uma grade de células S × S. Se o centro da caixa delimitadora de um objeto cair em uma célula da grade, diz-se que essa célula "contém" esse objeto. Cada célula da grade prevê B caixas delimitadoras e pontuações de confiança para essas caixas. Essas pontuações de confiança refletem o quão confiante o modelo está de que a caixa contém um objeto e o quão precisa ele acredita que a caixa é.
Em mais detalhes, a rede realiza a mesma operação convolucional sobre cada um dos S² patches. A saída para cada patch é uma tupla que inclui probabilidades de classe condicionais, coordenadas da caixa delimitadora e pontuações de confiança. Especificamente, para cada célula, a rede produz p_i, a probabilidade condicional de que a célula contenha um objeto da classe i, dado que ela contém pelo menos um objeto. Ela também produz, para cada uma das B caixas, as coordenadas centrais (x_j, y_j), largura w_j, altura h_j e uma pontuação de confiança c_j representando a interseção sobre união (IoU) prevista com a verdade de campo.
Múltiplas caixas delimitadoras são previstas por célula para permitir que cada previsão se especialize em uma forma específica. Por exemplo, objetos esguios podem ser previstos por uma caixa, enquanto objetos robustos são previstos por outra. A arquitetura da rede tem 24 camadas convolucionais seguidas por 2 camadas totalmente conectadas.
Durante o treinamento, para cada célula que contém uma caixa delimitadora de verdade de campo, apenas a caixa prevista com a maior IoU com a verdade de campo é usada para a descida de gradiente. As coordenadas são treinadas para se aproximar da verdade de campo, a probabilidade de classe para a classe correta é empurrada para 1, e outras probabilidades de classe são empurradas para zero. Se uma célula não contém objeto de verdade de campo, suas pontuações de confiança são treinadas para zero, reduzindo falsos positivos.
Impacto e legado
O design de passagem única do YOLO o tornou um avanço na detecção de objetos em tempo real, permitindo aplicações em vigilância por vídeo, direção autônoma e robótica. Sua velocidade e simplicidade inspiraram inúmeros trabalhos subsequentes e variantes, consolidando seu lugar como um modelo fundamental na visão computacional. O artigo original do YOLO foi amplamente citado, e o framework permanece como referência para sistemas de detecção em tempo real.
Conceitos relacionados
O YOLO é construído sobre redes neurais convolucionais e se beneficia de técnicas como normalização em lote e aumento de dados em versões posteriores. Seu desenvolvimento faz parte do campo mais amplo de aprendizado profundo e aprendizado de máquina, que também inclui redes residuais e U-Net para outras tarefas de visão. A eficiência do YOLO também influenciou aplicações de inteligência artificial em dispositivos de borda e plataformas em nuvem.