死磕YOLO系列，YOLOv1 的大脑、躯干和手脚

系列文章：
死磕YOLO系列，YOLOv2的自我修养
YOLO 是我非常喜欢的目标检测算法，堪称工业级的目标检测，能够达到实时的要求，它帮我解决了许多实际问题。

这就是 YOLO 的目标检测效果。它定位了图像中物体的位置，当然，也能预测物体的类别。

之前我有写博文介绍过它，但是每次重新读它的论文，我都有新的收获，为此我准备写一个系列的文章来详尽分析它。这是第一篇，从它的起始 YOLOv1 讲起。

YOLOv1 的论文地址：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf

建议没有看过原论文的都应该好好看看。

YOLO 预测时，很简单。

1.缩放输入的图片
2.将图片送入到卷积神经网络中进行预测
3.通过预测的结果进行置信度的阈值处理，得到最终的结果。

本文围绕：

1. YOLO 为什么能检测目标？
2. YOLO 长什么样子？
3. YOLO 如何训练？

三大问题来详细展开，为此我类比为 YOLO 的大脑、躯干和手脚。

1. 大脑，为什么能检测目标？

YOLO 是 One-Stage (单阶段) 检测算法，它只需要看图片一次，就可以预测图片中所有的物体边框。

我个人有一个形象的比喻，那就是撒渔网。

一个渔网撒下去，所有的鱼儿都要捕获。

而实际上，YOLO 真的有类似渔网的操作。

YOLO 把一张图片划分成了 SxS 个格子。

这里的 S 不固定，可以根据实际情况由开发者自主决定。

论文中，S 取值为 7，所以整张图片被分割成 7*7=49 个格子(Cell)。

这些格子像不像渔网的网眼呢？

那么，这些 Cell 是干什么用的呢？为什么要设置这么多的 Cell ?

这些 Cell 每个 Cell 都会预测 B 个 bbox。在论文中 B 取值为 2。

所以，一张图片经 YOLO 跑一遍，就会产生 98 个 bbox。

有同学可能会思考：

这么多 bbox,比目标的个数还要多，怎么选择呢？

以上面的图片为例：

图片中有狗、自行车、汽车 3 个目标，但是预测到的 bbox 有 98 个之多，最终肯定只能从 98 个 bbox 中选择 3 个。

那么，怎么操作呢？

分 2 步走。

第一步，有选择的响应 cell。

总共有 49 个 cell，但是并不是每一个 cell 的预测都有意义，我们需要找出有意义的 cell。

那么哪些 cell 算是有意义呢？

先来看看一个叫做 Confidence 可信度的概念。

每个 Cell 预测 B 个 bbox，还有每个 bbox 对应的 Confidence。

Confidence 公式定义如下：
$$Con$$