物体检测经典算法2——Yolov1核心思想

YOLOv1基本原理： 

         YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么中心位置所在的这个格子就负责检测出这个物体。
 

1. 将输入图像分成SxS grid，原作者论文中取S=7，即分成7*7 grid。

2.  对于每个网格，产生两种候选框，每个网格预测 B=2个bouding box（边界框），对候选框进行微调，每个边界框包含5个预测量：x、y、w、h、c（置信度）以及20个类别概率（当前数据集有20个类别），总共输出7×7×（2*5+20）=1470个tensor（张量）。

3. 每个grid cell都会进行物体的框定和分类，一图像预测7x7x2=98个预测框，然后根据阈值去除可能性比较低的目标窗口，再由NMS去除冗余窗口即可，得到最后的final detections。

网络结构

 输入图像为448x448，输出特征图大小为7x7x30，

• 输入尺寸固定：由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。其它分辨率需要缩放成该分辨率.

• 占比较小的目标检测效果不好.虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。 

输出7x7的理解

特征图7x7映射至原图，即图像被分成7×7个网格(grid cell)

 如果物体的中心落在某个网格中，则这个网格就负责预测这个物体。

输出维度30的理解

（1）每个网格使用B（B=2)个bounding box（边界框）进行回归预测，共产生2*5个值；

        回归坐标(x,y,w,h)和置信度confidence，置信度：包含物体的可能性大小；

     

（2）每个网格还要预测C个类别概率，以判断当前grid cell属于哪个类别C；因此1个网格的输出维度是(5×B+C)，S×S个网格就输出就是S × S×(5×B+C)。

  当前数据集类别C=20, 所以30 = 5*2+20；

博客参考链接：

单阶段目标检测算法之YOLOv1详解-pudn.com  (较为详细)

YOLOv1论文笔记_ren_dong1996的博客-CSDN博客_yolov1优点