YOLO

YOLO (ang. You Only Look Once) – akronim określający rodzinę algorytmów służących do detekcji obiektów w obrazach i wideo. Systemy YOLO należą do grupy rozwiązań z zakresu sztucznej inteligencji i deep learning, a ich główną zaletą jest możliwość przeprowadzania detekcji w czasie rzeczywistym przy zachowaniu wysokiej dokładności.

Historia

Pierwsza wersja YOLO została zaprezentowana w 2015 roku przez badaczy z University of Washington w ramach pracy pod tytułem „You Only Look Once: Unified, Real‑Time Object Detection”. W odróżnieniu od wcześniejszych metod, które najpierw generowały wiele propozycji regionów (tzw. region proposals), YOLO analizuje obraz jednorazowo, co znacząco przyspiesza proces.

Rozwój algorytmu podzielono na kolejne wersje:

• YOLOv1 – podstawowa architektura, wykorzystująca sieć konwolucyjną typu GoogLeNet‑inspired.
• YOLOv2 (znane również jako YOLO9000) – wprowadzenie mniejszych anchory oraz możliwość klasyfikacji ponad 9000 klas.
• YOLOv3 – zastosowanie wieloskalowej sieci Darknet‑53 oraz ulepszone prognozowanie granic obiektów.
• YOLOv4 – integracja technik takich jak Bag of Freebies i Bag of Specials, co podniosło precyzję przy zachowaniu szybkiego działania.
• YOLOv5 – najnowsza wersja rozwijana przez społeczność open‑source (repozytorium Ultralytics), charakteryzująca się modularną strukturą i dostępem do gotowych modeli.

Zasada działania

YOLO traktuje detekcję jako problem regresji jednofazowej. Po przetworzeniu obrazu w sieci konwolucyjnej, wyjściowa warstwa dzieli go na siatkę (zwykle 7×7 lub 13×13) i dla każdej komórki prognozuje:

1. Współrzędne bounding box (środek, szerokość, wysokość).
2. Wartość zaufania (tzw. objectness score).
3. Prawdopodobieństwo przynależności do każdej z klas (np. samochód, pies, człowiek).

Ostateczna decyzja o wykryciu odbywa się po zastosowaniu non‑maximum suppression, które odrzuca nakładające się ramki o niższym wyniku.

Zastosowania

Dzięki możliwości działania w czasie rzeczywistym, YOLO znalazło zastosowanie w wielu dziedzinach:

• Systemy monitoringu i bezpieczeństwa publicznego.
• Autonomiczne pojazdy – wykrywanie pieszych, znaków drogowych i innych uczestników ruchu.
• Przemysł – kontrola jakości, sortowanie produktów oraz robotyka współpracująca.
• Rozszerzona i wirtualna rzeczywistość – dynamiczne nakładanie informacji na obiekty w otoczeniu.
• Analiza sportowa – śledzenie zawodników i piłek w czasie rzeczywistym.

Krytyka i ograniczenia

Pomimo licznych zalet, YOLO nie jest wolne od wad:

• Niższa dokładność w wykrywaniu małych obiektów w porównaniu z metodami typu R‑CNN.
• Wrażliwość na nietypowe kąty i warunki oświetleniowe, co wymaga dodatkowego treningu.
• Potencjalne problemy z biasem danych treningowych, co może prowadzić do nierównego wykrywania w zależności od pochodzenia obrazu.

Powiązane pojęcia

W artykułach pokrewnych można znaleźć informacje o:

• akronim
• meme internetowy – „YOLO” stało się popularnym powiedzeniem w kulturze sieciowej.
• konwolucyjna sieć neuronowa
• computer vision
• sztuczna inteligencja

Bibliografia

1. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. (2016). You Only Look Once: Unified, Real‑Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
2. Redmon, J.; Farhadi, A. (2017). YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
3. Bochkovskiy, A.; Wang, C. Y.; Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint.