Yolo v1

   

简介

   

    Yolo意思是You Only Look Once，创造性的将候选区和对象识别这两个阶段合二为一，看一眼就能知道有哪些对象以及他们的位置。

    首先，先讲述一下Yolo的基本工作原理和Rcnn，以便为后续的讲解做铺垫，Yolo会遍历图片中有可能的位置，地毯式地搜索不同大小、不同宽高比，逐一检测其中是否存在某个对象，挑选其中概率最大的结果作为输出。

    Rcnn：先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别。（先提出候选区--->识别候选区对象）

 

YOLO网络结构图：

 

 

 

 

输入输出的映射关系

 

 

输入：

    输入就是原始图像，唯一要求是缩放到448x448的大小。主要是因为Yolo的网格中，卷积层最后接了两个全连接层，全连接层要求固定大小的向量作为输入，所以倒推回去也就是要求原始图像有固定的尺寸。那么Yolo设计的尺寸就是448x448。

 

输出：

    输出是一个7x7x30的张量。

 

7x7网格：

    根据YOLO的设计，输入图像被划分为7x7的网格（grid），输出张量中的7x7就对应着输入图像的7x7网格。或者我们把7x7x30的张量看作7x7=49个30维的张量，也就是输入图像中的每个网格对应输出一个30维的向量。（并不是说仅仅网格内的信息被映射到一个30维的向量，经过神经网络对输入图像信息的提取和变换，网格周边的信息也会被识别和整理，最后编码到那个30维向量中。）

 

30维向量：

    

 

网格数量bounding box数量

    设网格数量为SxS，每个网格产生B个边框，网格与待识别C个不同的对象，这时，

    输出的向量长度为 C+Bx(4+1)

    整个输出的tensor就是:  S x S x ( C + B x ( 4 + 1 ) )

(Yolo选择的参数时7x7网络，2个bounding box，20种对象，因此输出向量 = 20 + 2 x ( 4 + 1 ) ) = 30，整个输出的tensor就是 7x7x30）

 

 

损失函数

 

    损失函数就是计算网络实际输出值与样本值之间的偏差。