YOLO（You Only Look Once，你只看一眼）因其快速的對象檢測算法而聞名。它的速度和效率使其成為計(jì)算機(jī)視覺（CV）領(lǐng)域中對象檢測的標(biāo)準(zhǔn)方法。YOLO 可以實(shí)時(shí)處理圖像，使其非常適合自動(dòng)駕駛、安全監(jiān)控和零售分析等應(yīng)用。

YOLO 是如何工作的？

考慮圖像分類的場景，目標(biāo)是確定圖像是否包含狗或人。當(dāng)涉及到圖像分類，我們應(yīng)該確定它是否是狗還是人 - 如果是狗，就是1，如果是人，就是0，就像上面的圖像 - 只有狗存在！但在對象檢測算法中 - 我們考慮一種叫做對象定位的東西。除了上述解釋的圖像分類數(shù)據(jù)，我們還傳遞了邊界框。

邊界框：

{Pc, Bx, By, Bw, Bh, C1, C2}
{1 , 50, 70, 60, 70, 1 , 0}

• Pc — 類別的概率，如果兩種類別都不出現(xiàn)，它將是0，否則是1。
• Bx 和 By — 注釋框的中心坐標(biāo) - 它將覆蓋正好只有類別 - 在這個(gè)例子中是狗。
• Bw 和 Bh — 注釋框的寬度和高度。
• C1 — 狗類別 - 因?yàn)楣反嬖?- 它是1。
• C2 — 人類別 - 因?yàn)槿瞬淮嬖?- 它是0。

顯然，如果沒有對象 - Pc 將是0，其余的將沒有值！

如果我們在圖像中有多個(gè)對象怎么辦？當(dāng)圖像中存在多個(gè)對象時(shí)，YOLO 將圖像劃分為網(wǎng)格，然后預(yù)測每個(gè)網(wǎng)格單元的邊界框和類別概率。允許模型同時(shí)檢測和定位多個(gè)對象。例如，如果網(wǎng)格大小是 4x4，每個(gè)單元將產(chǎn)生一個(gè)預(yù)測向量。假設(shè)每個(gè)預(yù)測向量由 7 個(gè)單元組成（Pc, Bx, By, Bw, Bh, C1, C2），整體預(yù)測張量的大小將是 4x4x7。

如果圖像包含重疊對象，如一個(gè)人抱著一只狗，也會使用相同的方法。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)由于圖像及其相應(yīng)的向量都已獲得 - 我們可以將圖像樣本視為輸入數(shù)據(jù) - 其相應(yīng)的向量樣本作為輸出數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)?，F(xiàn)在這些數(shù)據(jù)樣本及其相應(yīng)的輸入和輸出矩陣可以輸入到神經(jīng)網(wǎng)絡(luò)中 - 當(dāng)涉及到隱藏狀態(tài)中的節(jié)點(diǎn)數(shù)量、激活函數(shù)等時(shí)，可以調(diào)整和調(diào)整神經(jīng)網(wǎng)絡(luò)！獲得最佳組合以獲得最佳準(zhǔn)確率。

輸出將是模型所做的網(wǎng)格單元分隔的大小。如果是 4x4，輸出將是 16 個(gè)向量。

它之所以被稱為 YOLO - You Only Look Once  - 是因?yàn)槟Ｐ驮趩未吻跋騻鞑ブ型瓿伤蓄A(yù)測。這有效地允許模型快速檢測模式和對象，無論網(wǎng)格單元的數(shù)量如何。

對象檢測模型的問題盡管 YOLO 可以被認(rèn)為是用于對象檢測的最佳模型之一 - 但所有模型都不完美。當(dāng)涉及到 YOLO 時(shí)，可能會有重疊邊界框的問題。

考慮上面有兩個(gè)人的圖像：一個(gè)人和一只狗。YOLO 最初可能會為這些對象檢測到多個(gè)邊界框，在上述背景下 - 結(jié)果是五個(gè)邊界框，而理想情況下應(yīng)該只有兩個(gè)（每個(gè)對象一個(gè)）。

邊界框重疊

當(dāng)多個(gè)預(yù)測覆蓋同一個(gè)對象時(shí)，就會發(fā)生重疊的邊界框。這種冗余需要解決，以確保模型輸出最準(zhǔn)確和最小的邊界框集。

交集比并集（IoU）

為了解決重疊的邊界框問題，YOLO 使用了一種稱為交集比并集（IoU）的技術(shù)。IoU 是一種度量兩個(gè)邊界框之間重疊的指標(biāo)。

IoU = Intersect Area / Union Area

• 交集面積：兩個(gè)邊界框重疊的區(qū)域。
• 并集面積：兩個(gè)邊界框合并覆蓋的總面積。

如果兩個(gè)邊界框完全重疊，IoU 值是 1。如果它們根本不重疊，IoU 值是 0。

非最大抑制（NMS）

為了消除冗余的邊界框，YOLO 應(yīng)用了非最大抑制（NMS）：

• 計(jì)算置信度分?jǐn)?shù)：每個(gè)邊界框都被分配一個(gè)置信度分?jǐn)?shù)，代表對象存在的可能性。
• 選擇最高置信度框：選擇置信度分?jǐn)?shù)最高的邊界框。
• 抑制重疊框：任何與選定框的 IoU 超過某個(gè)閾值（例如，0.5）的邊界框都被抑制（即，移除）。
• 重復(fù)：這個(gè)過程對剩余的框重復(fù)進(jìn)行，直到只剩下最自信、不重疊的框?yàn)橹埂?/li>

但 YOLO v10 消除了 NMS 的需求 - 簡化了預(yù)測過程，提高了效率，而不影響模型的準(zhǔn)確性！

YOLO v10：性能和比較

最新版本的 YOLO，YOLO v10，由于幾個(gè)引人注目的原因，被認(rèn)為是最佳和最改進(jìn)的版本 - 這里是為什么：

• 更高的準(zhǔn)確性 - 考慮到開篇的第一張圖表 - 我們可以注意到，與以前的版本甚至其他模型相比，該模型產(chǎn)生了更高的 COCO AP 水平！清楚地表明 - YOLOX 模型（特別是 YOLOX-L） - 總體上表現(xiàn)最佳。
• 改進(jìn)的延遲 - （延遲是模型對輸入的響應(yīng)時(shí)間）即使準(zhǔn)確性更高 - YOLO v10 保持低延遲 - 使其靈活且有益于實(shí)時(shí)應(yīng)用！
• 更好的對象定位 - 對象檢測的主要挑戰(zhàn)是處理重疊的邊界框。幸運(yùn)的是，YOLO v10 模型結(jié)合了高級技術(shù)，如 IoU 和 NMS，有效地處理重疊框，以獲得更準(zhǔn)確的邊界框預(yù)測。導(dǎo)致更準(zhǔn)確的對象檢測模型！
• 更低的參數(shù)計(jì)數(shù) - 在開篇的第二張圖表中 - 我們可以得出結(jié)論，YOLO v10 模型可以用更少的參數(shù)準(zhǔn)確預(yù)測。使其適合在資源受限的環(huán)境中部署。盡管我們可以指定一個(gè) YOLO v10 模型是最好的 - 這都取決于用例。

以下是 YOLO v10 模型的所有變體列表 - 每個(gè)都有其自己的優(yōu)勢：

結(jié)論

雖然 YOLO v10 在準(zhǔn)確性、延遲和效率方面都有所提高 - 但一切都取決于你正在處理的用例，因?yàn)閷τ诿總€(gè)用例，可能都有一個(gè)最適合的模型！盡管如此，根據(jù)提供的證據(jù) - YOLO v10 作為領(lǐng)先的對象檢測模型脫穎而出！

官方 GitHub ：https://github.com/THU-MIG/yolov10?tab=readme-ov-file

論文：https://arxiv.org/abs/2405.14458