YOLO算法详解

YOLO（You Only Look Once）是CVPR2016的一篇文章,是目标检测领域比较有名的的一篇文章，yolo出名不在于它的精度高，而在于他的速度很快，下面介绍的是yolo的第一版，在yolo之后，又改进出了yolo-v2,yolo-v3,v2,v3的精度相比较于v1就有大大提升了，这个后面再详细介绍。

在介绍yolo之前，首先引入一下目标检测的进展，yolo之前的目标检测一般是如何做的呢？

有两个代表：DPM以及RCNN系列
1.DPM：利用sliding window，提取特征(SIFT等)，进行比对
2.RCNN: 利用region proposal方法提取，利用网络进行分类，并进行坐标回归预测

yolo是怎么做的呢？

yolo直接采用regression（回归）的方法进行坐标框的检测以及分类，使用一个end-to-end的简单网络，直接实现坐标回归与分类，如下图所示

yolo具体是怎么做的呢？

yolo首先将图像分割成S*S个grid(S默认取7)，然后对每个gird，预测B个（bounding box + confidence），（B默认为2）,confidence定义为$P_r(Object)\ast IO{U}_{pred}^{truth}$,如果不存在物体，则confidence为0，否则期望其为IOU，bounding box为：[x,y,w,h]其中(x,y)为object中心点坐标

每个gird另外预测C个类别的概率，作者在VOC上实验，所以C取为20（这里为什么不是类似Fast RCNN的21类，因为是否为背景，作者放到了上面的confidence中），
在测试过程中将confidence与C类的probability相乘如：$P_r(Clas{s}_i|Object)\ast P_r(Object)\ast IO{U}_{pred}^{truth}=P_r(Clas{s}_i)\ast IO{U}_{pred}^{truth}$就可以得到每个类别的概率以及其bounding box的准确度。

说这么多，大家可能不清晰，那具体的预测过程是怎么样的呢？下面展示一下

1. 首先通过20个类与每个grid的2个预测bounding box的confidence相乘，得到该bounding box为每个类的概率，对每个grid都做该操作，将得到7*7*2=98个向量，如下图黄色矩形所示，其中，每一列代表每个预测的bounding box为各个类别的概率值，每一行【下面图中么有行，可以看下2张图】对应每个类别，以下2张图中第一个图为例，第一行便对应于dog的概率，第一列则对应于bounging box1.