YOLO

这两天在看YOLO的论文，把看完的思路整理一下，同时结合网上的信息，如有侵权，请联系我。谢谢！如果有错误的地方还请大家指正。

YOLO的主要思想是找box+计算confidence,，然后去连接层分类，其示意图如下图所示：

我们输入一副图片，首先呢，我们把它分为s*s的cell，然后为每个方格计算相应的置信值也就是confidence .

如果物体的中心落入这个Cell中，那么就要对这个cell进行计算，计算其confidence.如下图所示，我们红色区域是一个狗的中心，然后我们需要计算置信度。在这里我们要计算方框，以这个为中心，我们计算B 个bounding box信息，B在论文中为2。Bounding box信息包含5个数据值，分别是x,y,w,h,和confidence。其中x,y是指当前格子预测得到的物体的bounding box的中心位置的坐标。w,h是bounding box的宽度和高度。注意：实际训练过程中，w和h的值使用图像的宽度和高度进行归一化到[0,1]区间内；x，y是bounding box中心位置相对于当前格子位置的偏移值，并且被归一化到[0,1]。
这样我们的预测层就为S*S*（B* 5 + C）维

每个 1*1*30的维度对应原图7*7个cell中的一个，1*1*30中含有类别预测和bbox坐标预测。总得来讲就是让网格负责类别信息，

我们在做自己的训练的时候，只需要将C改为自己要识别的物体的类别就可以了，作者在进行训练的时候使用224 * 224 的图像，为了提高精度，作者对输入图像要缩放到448*448。最后一层分别对bouding box 的位置进行预测以及图像的类别，在对位置进行预测的时候我们要讲w以及h归一化到0-1之间。

在进行分类的P预测的时候我们使用非极大值抑制，具体原理如下图所示：

误差函数分为位置误差、IOU误差以及分类误差。 IOU(intersection over union)为预测boundingbox与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）。