YOLO：统一的实时目标检测

把检测写成回归问题

2015 年 6 月 8 日，Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi 将论文《You Only Look Once: Unified, Real-Time Object Detection》发布到 arXiv ^[1]。论文讨论目标检测（object detection）：给定一张图像，系统要说明物体在哪里，以及每个物体属于哪一类。在论文的表述里，答案是一组边界框（bounding box）——围住物体的矩形——以及类别概率（class probability）。作者把这项任务框定为单一的回归（regression）问题，从图像像素直接得到边界框坐标和类别概率 ^[1]。这里的回归是指网络学习直接输出数值——坐标和概率。关键做法是把整个检测输出当作网络可以一次性预测的对象。

一个网络，一次评估

论文描述了一个单一神经网络，它在一次评估（one evaluation）中直接从完整图像预测边界框和类别概率 ^[1]。“一次评估”是全文的核心：图像经过网络一次，网络给出检测输出。这个架构是统一的，作者表示它可以直接按检测性能进行端到端（end-to-end）训练 ^[1]。端到端训练是指网络参数按照检测目标本身来调整。于是，检测被呈现为从完整图像到边界框和类别概率的单一学习映射。

速度与错误画像

论文报告的速度使这种方法值得注意。基础 YOLO 模型以每秒 45 帧（frames per second, FPS）实时处理图像 ^[1]。更小的版本 Fast YOLO 每秒处理 155 帧 ^[1]。帧每秒衡量吞吐量，即系统一秒能处理多少张图像。这些数字重要，是因为目标检测如果只看准确率并不完整；许多使用场景还取决于系统能否跟上一串图像。论文的结果清楚展示了这一速度。

论文还报告了错误上的权衡。YOLO 的定位误差（localization error）是当时最好的检测方法的两倍以上，但它更不容易在背景中预测出假检测（false detection）^[1]。定位误差是指预测框的位置或范围不对；背景假检测是指在本来没有物体的地方报告物体。因此，这一结果不是简单的“更好”或“更差”：按论文报告，这种方法在精确定位上较弱，在避免背景假阳性上较强。用这种方式描述检测器的行为很有用，因为不同应用在意不同种类的错误。

这篇论文确立了什么

论文的贡献是表述与工程的结合。它把目标检测写成单一回归问题，用单一神经网络实现，并按检测性能端到端训练这个统一架构 ^[1]。它报告了基础模型的实时速度，以及更小的模型更快的速度 ^[1]。它也给出了误差分析：定位误差多于当时最好的方法，但更不容易产生背景假检测 ^[1]。标题《You Only Look Once》点出核心想法——只看一次、只评估一次——而论文给出了具体版本：完整图像输入，边界框和类别概率输出。对学习检测的读者来说，这篇论文是一个清楚的例子：重新描述任务，使一个网络可以直接学习它。