YOLO算法概述与细节

R-CNN系列算法是two-stage（两步走算法），yolo和ssd属于one-stage算法。

yolo v1：把图片分成若干个小区域，每个小区域负责检测是否有物体的中心点落在其中，每个小区域可预测多个box，但是只能检测一个物体。

算法首先把输入图像划分成S*S的格子，然后对每个格子都预测B个bounding boxes，每个bounding box都包含5个预测值：x,y,w,h和confidence。x,y就是bounding box的中心坐标，与grid cell对齐（即相对于当前grid cell的偏移值），使得范围变成0到1；w和h进行归一化（分别除以图像的w和h，这样最后的w和h就在0到1范围），设分成7*7个小块，以20个类别，每块预测2个box为例，总共就会输出7*7*30个数据的张量，30分别是4bbox+4bbox+2confidence+20classification，用它的confidence来乘上当前grid cell里每个类别的概率，那么就会有20*98的一个矩阵，矩阵的行数代表类别数，列数带别bounding box的数量，在每一行中，将得分少于阈值（0.2）的置零。然后再按照得分从高到低排序然后使用NMS算法去掉重复率交大的bounding box（NMS: 针对某一个类别，选择得分最大的bounding box,然后计算它与其他bounding box的IOU值，如果IOU大于0.5，则说明重复率交大，将该低分设置为0，否则不做处理，重复完之后，然后从未处理的bounding box中选取一个得分最高的，重复上述步骤。）最后每个bounding box的20个score取最大的score，如果这个score大于0，那么这个bounding box就是这个socre对应的类别（矩阵的行），如果小于0，说明这个bounding box里面没有物体，跳过即可。下面这个图很好的说明了YOLO中NMS是如何做的：

下面是yolo v1的网络结构：

最后是两个全连接层，然后reshape为7*7*30，如下图：