YOLO: Реальний час виявлення об’єктів одним поглядом

Обнаружение объектов в реальном времени: YOLO

До YOLO ведущие детекторы объектов работали по этапам: сначала они предлагали тысячи кандидатных областей в изображении, которое могло содержать объект, а затем запускали отдельный классификатор для каждого региона, чтобы решить, что это такое. Этот регионо-предлагающий конвейер, используемый методами, такими как R-CNN и его последователи, был точным, но очень медленным, поскольку одно и то же изображение должно было обрабатываться снова и снова для каждой кандидатской коробки. Это делало непрактичным все, что требовало работы в реальном времени, например, видеопотоки, автономные транспортные средства или роботы, реагирующие на свое окружение в реальном времени.

YOLO's Big Idea: One Look, One Pass

YOLO, introduced by Redmon, Divvala, Girshick, and Farhadi in 2016, reframed detection as a single regression problem instead of a pipeline of separate steps. The network divides the input image into an S x S grid, and in one forward pass it simultaneously predicts, for every grid cell, a set of bounding boxes with confidence scores and the probabilities of each object class. Because the entire image is processed by one network at once, YOLO reasons about global context rather than isolated patches, which also helps it make fewer mistakes on background regions.

З відрізних передбачень до кінцевих виявлень

Один прохід генерує набагато більше кандидатів на коробки, ніж є реальних об'єктів, тому сирий вивід потребує очищення перед тим, як він стане корисним. Спочатку порогове значення впевненості відкидає коробки, які мережа не впевнена, що містять об’єкт, принаймні. Потім незмінність максимального придушення (NMS) порівнює залишки перекриваючихся коробок для кожної класи та зберігає лише найвищу впевненість коробку на кожен об'єкт, відкидаючи решту як дублікати одного виявлення. Результат — чистий кінцевий набір мічених обмежених рамок готовий до відображення або виконання.

The Rise of One-Shot Learning

YOLO (You Only Look Once) revolutionized object detection by adopting a fundamentally different approach compared to previous methods. Instead of processing an image through multiple stages – as done by two-stage detectors like Faster R-CNN – YOLO treats object detection as a single regression problem. This 'one-shot' learning paradigm allows the network to predict bounding boxes and class probabilities directly from the entire input image in just one pass.

This single-pass architecture is what gives YOLO its remarkable speed. By predicting objects’ locations and classifications simultaneously, YOLO avoids the sequential processing bottlenecks inherent in two-stage detectors. This efficiency makes it ideal for real-time applications where quick responses are crucial – think autonomous vehicles, robotics, and surveillance systems.

However, this speed comes with a trade-off: initial versions of YOLO sometimes struggled with detecting small objects or those clustered closely together. The network's grid cell size limited its ability to accurately predict bounding boxes for these challenging scenarios. Subsequent iterations of YOLO have significantly improved upon this limitation through refinements in the grid and box prediction strategies, while maintaining the core advantage of one-pass processing.

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте YOLO: Real-Time Object Detection in a Single Glance і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.