電腦是怎麼辨識物體的呢？當紅的YOLO又是什麼？

隨著深度學習技術的進步，許多人開始將深度學習的方法融入到物件辨識中，近一步提升物件辨識的速度與效果，也能看到許多深度學習專案的應用陸續展開。但在執行專案前，團隊成員必須對深度學習有一定程度了解，才能為專案打下良好的知識基礎。人工智慧科技基金會工程師粘美玟從物件偵測領域切入，淺要說明模型是如何辨識出圖像？同時也將介紹近年十分熱門的YOLO演算法。

電腦辨識圖片的四種任務

透過深度學習，讓電腦不再仰賴人類知識，而是從大量的圖片與標籤中自行找出重要元素或特徵，有效地判斷出圖片是屬於哪些重要類別。深度學習應用中的圖像處理技術，大致可拆分為單一物件處理及多重物件處理兩大類型，接著又可再細分為以下四種任務，技術難度由上至下增加：

單一物件處理
1.Classiflcation分類任務：主要是將一張圖片輸入電腦後，電腦再將圖片中的關鍵物件進行分類，例如判斷圖片中的影像為「貓」。

2.Classification+Localization：近一步以方框框出圖片中關鍵物件的位置，例如框出圖片中「貓的位置」。

多重物件處理
3.Object Detection物件辨識：在一張圖片中以方框框出多個物件，也能辨識出物件的類別及位置。

4.Instance segmention：不只是框出物件，而是精準將物件的輪廓描繪出來。

由於工作或是生活場景中，我們在一張圖片中並不會只關注單一物品，更多時候，可能會對許多物件感興趣，這時候結合深度學習方法的物件辨識也就能幫上忙。不僅能幫助我們在一張圖片中辨識多個目標、多個物件；還能幫助我們得到目標位置資訊。

但在這些優點之外，仍有些問題需要克服，例如訓練較為耗時且耗資源，或是為了讓電腦可以更精準，前置的資料標記作業也更繁瑣。為了讓電腦能精準抓出關鍵物件，在圖片輸入電腦前，在每一張圖片上，人工標示出圖中所在意的物件及類別，之後再將標記後的圖片輸入電腦，讓電腦從資料中學習。

YOLO演算法介紹

近幾年十分熱門的YOLO演算法是個準確且快速的物件辨識模型，YOLO是「You Only Look Once」的簡寫。目前共推出四個版本，以及輕量化tiny版本。如果想做物件辨識，但資源不多的人可以嘗試使用tiny版本。

過往的物件辨識採用兩階段式的分工，也就是使用兩個神經網路，第一個神經網路負責找出圖片中的關鍵物件，利用候選框標示後再給下一個模型進行分類。但是，這種作法在速度上無法滿足即時性的要求，因此，YOLO(v1)提出只用一個網路同時做物件辨識及分類判斷。它是怎麼做的呢？

首先，將輸入的圖片切成S*S個網格，每個網格（grid）會產生類別機率、候選框資訊及信心度結合NMS產生結果。

上述提到的機率指的是，電腦會針對每個格子計算重要的資訊，分別產出格子中每個類別機率。例如希望電腦協助找出狗跟貓兩個類別的物件，電腦就會預測每個格子中是貓或狗的機率有多少？最後就能以這幾個機率挑選出格子最終的類別。

候選框資訊指的是，當電腦尋找圖片哪些地方可能包含所需物件時，候選框的格子中所產出的訊息。

信心度指的是，當電腦標示出有可能符合物件的候選框時，必須要篩選出真正符合物件的候選框並保留，每個候選框內包含物件的信心程度多寡就是信心度，若信心度較低的候選框就會被排除掉。

NMS是為了消除多餘的候選框，從而找到最佳的物件框。電腦會先想辦法把所有有可能候選的框都挑選出來，有可能一個物件上會有很多框。之後利用NMS考慮候選框重疊程度，保留信心度最高的候選框，再進行下一步將框分類。

由於電腦在更新參數時，會考慮到候選框損失函數、格子內是否有物件的信心值，以及每個格子類別的機率等因素，並與實際值對照並進行參數更新，以幫助模型學習。YOLO利用這個概念，將物件辨識分類跟框預測問題轉成迴歸預測效果，也讓物件辨識的效率大大提升。

YOLO多尺度預測(v3、4)則是採用三個分支網路，分別能預測三種大小的物件，讓小物件的預測變得更精準。同時也加入其他演算法的優點，像是採用FPM技術改善在小物件上的偵測效果。

此外，在不同尺寸下，每一個格子（gird）都會預測三個候選框，一張圖片在電腦中會被分成三種不同尺寸的格子，每個格子都預測三個候選框資訊，一張照片可能會產生一萬多個候選框。接著，電腦會計算並挑選出那些框是有物件且保留。YOLO的計算量很大，但也因為這樣才能更精準地找出物件。

從YOLO中，我們也看到了許多值得深度了解的概念，例如Data Augmentation、Mosaic、Activation Function。Data Augmentation主要是圖片輸入電腦學習前的前置處理，可能是平移或旋轉的動作產生新圖片，這些新圖片能幫助電腦在學習階段看到更多樣的圖。

Mosaic則是YOLO v4的原創方法，主要是將四張圖片拼成一張圖片大小，對電腦來說，這張圖片相當於學習了四張圖片的資訊量。不僅增加batch size、大量提升小物件的數量，也因為拼接圖片的數量，所以大幅增加背景的豐富度。

Activation Function：深度學習其實是由許多神經元組成的神經網路，每個神經元所做的就是收集前面神經元給予的資訊，彙整後再送給下一個神經元。訊息傳送的過程會先將訊息（數值）透過非線性Activation Function進行轉換。YOLO v4選擇Mish作為Activation Function，當訊號大於0就會正常輸出，如果是負值就會壓縮到趨近0，此做法可以幫助電腦在負值時直接輸出0，具有更好的收斂效果。

綜觀來看，目前物件辨識的任務目標仍以精準、快速為主，但是隨著任務變得更為複雜，會需要更多的評估指標(Metrics)。在物件偵測中，評估指標可以分為探討物件框的框選範圍是否恰當？或是探討物件框的類別是否恰當？相對應可以採用的指標會是mAP以及IoU。亦有其他更新的指標可以選擇，如AP50、GIoU、CIoU等等。

精彩影片分享：