对YOLO bounding box的理解

最新推荐文章于 2025-07-03 14:27:59 发布

无情的搬砖机器

最新推荐文章于 2025-07-03 14:27:59 发布

阅读量2.5w

点赞数 25

CC 4.0 BY-SA版权

分类专栏：论文阅读笔记文章标签： yolo bouding box

本文链接：https://blog.csdn.net/Li_haiyu/article/details/80509268

论文阅读笔记专栏收录该内容

1 篇文章

订阅专栏

本文通过初中线性回归的例子回顾了回归的基本概念，并详细解析了YOLOv1中如何从XML标注文件中提取边界框信息，计算中心坐标及尺寸，最终实现边界框的回归。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、yolov1 bounding box

bounding box是怎么产生的？回归产生的，回归？哎呀，妈呀，回归是什么我都忘记了，好吧，我来举个初中的线性回归例子简单回顾一下

有两组数据A和B

A = [1,2,3,4,5]

B = [2,4,6,8,10]

利用回归的思想预测当A为6的时候B对应的值是多少

很明显回归参数就是2，回归程为y = 2x，所以A为6的时候B对应的值应该是12，这就是最简单的回归思路了。

然后yolo1中提到的就是直接利用整幅图像经过网络结构产生7*7的grid cell，每个grid cell预测x，y，w，h，confidence等几个值，其中confidence就是IOU的值啦。关键这个bounding box怎么回归产生的，对我这种小白来说还是纠结了好几天才算理解到一丢丢，所以赶紧小笔记记一下，欢迎各位大佬斧正（请原谅我想多了，就我这个级别的blog还有大佬看[笑哭]）

好，我们去看一下Annotation里面的XML文件，截取一部分看一下

看到标注文件里面的Bounding box的格式了没，都是由[xmin,xmax,ymin,ymax]组成，中心坐标呢？

回顾yolov1论文还说要把坐标和长宽归一化，你中心坐标都没有如何回归？最后在scipts找到了vol_label.py文件才知道中心坐标是根据标签中的xmin，xmax，ymin，ymax计算出来的，哈哈哈，详见下面代码注释。

def convert(size, box):
    dw = 1./size[0] # 归一化的时候就是使用宽度除以整个image_size的宽度 
    dh = 1./size[1] # 归一化的时候就是使用高度除以整个image_size的高度
    x = (box[0] + box[1])/2.0 # 使用(xmin+xmax)/2得到x的中心点
    y = (box[2] + box[3])/2.0 # 使用(ymin+ymax)/2得到y的中心点
    w = box[1] - box[0] # 然后宽度就是使用xmax-xmin计算得到
    h = box[3] - box[2] # 然后高度就是使用ymax-ymin计算得到
    x = x*dw # 归一化中心坐标x
    w = w*dw # 归一化bbox宽度
    y = y*dh # 归一化中心坐标y
    h = h*dh # 归一化bbox高度
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
	# 获取标注中bbox的数据并以元组方式返回
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
	# 向convert传入size = (w,h),和b,注释中分别是(xmin,xmax,ymin,ymax)   
	bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

有了中心坐标x，y和bbox的w，h这样就可以愉快地训练出回归参数了

待更... ..