YOLOとは

YOLO（You Only Look Once）は、2015年にJoseph Redmonらが発表した物体検出モデルです。名前のとおり、画像をネットワークに一度見せるだけで、どこに何があるかを答えます。

2段階型と1段階型

それまで主流だったR-CNN系の手法は、まず物体がありそうな候補領域を挙げ、次に候補ごとに中身を分類する2段階の手順をとっていました。精度は高いものの、手順が多く、処理に時間がかかります。

YOLOは、この2つの段階を1つにまとめました。物体を囲む枠（バウンディングボックス）とクラスを、1つのCNNで画像全体からまとめて予測します。このような方式を1段階型（ワンステージ）と呼びます。

しくみ

最初のYOLOは、入力画像を7×7のグリッド（マス目）に分けます。各マスは、自分の中に中心がある物体について、枠の位置と大きさ、物体がある確からしさ（信頼度）、クラスごとの確率を出力します。最後に、同じ物体に重なった枠を整理して結果を決めます。

特徴と弱点

基本のモデルはGPUで毎秒45枚の画像を処理でき、動画をその場で解析するリアルタイム検出を実現しました。画像全体を見て判断するため、背景を物体と取り違える誤りも少なめでした。

一方、各マスが出せる枠の数が少ないため、小さな物体が密集する場面は苦手です。枠の位置の正確さでも、当時の2段階型に及びませんでした。その後、YOLOv2、YOLOv3と改良版が続き、弱点は少しずつ改善されています。同じ1段階型の代表的なモデルにSSDがあります。

覚え方

「候補を挙げずに、一度見ただけで答える」のがYOLOです。