【YOLO系列】YOLOv1

参考：这可能是最详细的目标检测YOLO_v1的解释

            物体检测之YOLO

基本流程

(1) 给个一个输入图像，首先将图像划分成7 * 7（S=7）的网格。

(2) 对于每个网格，每个网格预测2个bouding box（每个box包含5个预测量，这5个预测量为x，y，w，h，confidence）以及20个类别概率。

(3) 根据上一步可以预测出7 * 7 * 2 = 98个目标窗口，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。

YOLOv1使用了end-to-end的回归方法，没有region proposal步骤，直接回归便完成了位置和类别的判定。种种原因使得YOLOv1在目标定位上不那么精准，直接导致YOLO的检测精度并不是很高。

 问答解析：

1、对于每一个预测的bounding box，具体说说5个参数？

• ：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]；
• ：该box的长和宽相对于input的长和宽（448）的比例，被归一化到[0,1]

根据这4个元素可还原出原图的一个bbox。假设原图的长宽为448，那么bbox的宽高为：

假设grid cell左上角坐标为(x0,y0)，则bounding box左上角的坐标为：

• 此外还有一个confidence参数，表达式如下：

其中表示物体位置的准确性，是bbox与gt的重叠度。

表示是否包含物体，当bbox包含物体，则，否则等于0。也就是说confidence要么为0，表示此bbox中不包含对象，要么不为0，表示该bbox和ground truth的IOU。

2、网络最终输出维度是多少，怎么排列的？

输出的维度为7×7×（5×2+20） = 7×7×20 （20个类别），排列方式如下：

3、一个grid cell预测量两个bbox，那么每一个bbox还应该对应一个分类的confidence不是吗？

实际上yolo的原理是对于一个grid cell只预测一个类别，即虽然每个格子可以预测2个bounding box，但是最终只选择IOU最高的bounding box作为该类别检测输出，即每个格子最多只预测出一个物体一个类别。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。这是YOLO方法的一个缺陷。

你可以这么理解，yolo现针对每一个grid cell只预测一类，然后将IOU最高的bbox与这一类相连接。

4、如何预测？

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS处理，就得到最终的检测结果。

损失函数

看起来很复杂，实际上可以分为：

• 有物体中心落入的cell，需要计算分类损失，没有物体落入的cell就不用计算类别损失，即上面公式中的第4个框，类别预测。
• 两个bbox都要计算置信度损失，即上面公式中的第2,3个框。
• 其中上述两个bbox中，与groud truth IOU较大的那个bbox需要计算位置损失，即上面公式中的第1个框。

上面w，h开根号的原因是小目标对于预测wh的误差更敏感，用开根的方法缓解。举例来说，大小为10和大小为100的目标，预测大小分别为20和110，如果不用开根号的话，两者的损失都为10²，但是显然小目标检测的更差一些，开根后，

相当于强化了小目标的wh的损失。