# [D23] 物件偵測(4)

前面我們認識的都是＂two stage＂的方法，在整體的運行過程上沒有那麼快速，所以在很多行動裝置上都漸漸地採用＂oen stage＂來做影像辨識，這邊要介紹的是 **`YOLO`** 系列！
### YOLO（You Only Look Once）
＂只要讓我看一眼，我就知道是什麼＂，像字面上的意思，當圖片經過 YOLO 這個演算法，只需要對圖片做一次深度學習便能夠判斷裡面的物體類別跟位置，且可以一次偵測**多個物件**，大大提升辨識速度。


接下來我們先從一開始的 YOLOv1 開始認識吧～
#### YOLOv1
YOLOv1 就是這個構想的第一版，把**整張圖片**當作輸入，會直接預測出 bounding box 的座標位置，且 bounding box 包含物體的 `confidence` 和物體的 `classification`。

> confidence 是物體的**信心分數**，代表此框為 ground truth 的機率為多少。

#### YOLOv1 的實現
基本上就是將圖拆成很多個 grid cell，然後在每個 grid cell 進行 bounding box 的預測和屬於哪個類別的機率預測，最後用 threshold 和 NMS （非極大值抑制，Non-Maximum Suppression）的方式得到結果。
* step 1
YOLO 會把圖平均分成 S×S 格，每一格在英文中被稱為 grid cell。
當＂要被偵測的物件中心＂落在哪一個 grid cell，該 grid cell 就要負責偵測這個物件。
* step 2
每個 grid cell 必須要負責預測「n 個 bounding boxes」和「屬於每個類別的機率」。每個 bounding box 會帶有 5 個參數 (x, y, w, h, and confidence)
* (x, y) 是物件在 grid cell 的中心座標
* w 和 h 是 bbox 的寬度和高度
>我們會習慣把 bounding box 簡寫成 bbox~ ~~（不是饒舌的那種 B-box）~~
* step 3
YOLO 的 tensor 公式為 **S × S × （B × 5 + C）。**

* B 是在一個 grid cell 中 bbox 的數量
* 乘上 5 是因為每個 bbox 有 5 個參數
* C 是物件的類別數量

#### YOLOv1 的缺點
YOLOv1 對於**靠得很近**的物體，或是**很小**的物體，辨識效果不是很好，這是因為一個 grid cell 裡最多只產生兩個 bbox 來偵測。

*未完待續......*

[圖片來源1](https://zhanghanduo.github.io/post/yolo1/)
[圖片來源2](https://medium.com/@chenchoulo/yolo-%E4%BB%8B%E7%B4%B9-4307e79524fe)
[論文](https://github.com/aleju/papers/blob/master/neural-nets/YOLO.md)