Yolov1详解

前言：

目前深度学习的网络主要分为两大类

1、Two Stage：两阶段目标检测

         Two Stage是2013年到2015年的主流算法，后来逐渐发展为One Stage的目标检测算法。

        Two Stage算法是先进性区域生成，该区域称之为region proposal（简称RP，一个有可能包含待检测物体的预测框），再通过卷积神经网络进行样本分类。

        流程：特征提取-->生成待检测物体的预测框-->分类/定位回归

        Two Stage具有代表性的目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN等。         

2、One Stage：端到端目标检测

        One Stage与Two Stage的主要区别：One Stage是直接在网络中提取特征来预测物体分类和位置，想在主流的网络都是采用端到端的方式进行的目标检测。

        常见的One Stage的目标检测网络有：Yolo系列、SSD系列、Anchor Free系列等。

下面我们谈一谈yolov1

YOLOV1

        yolov1的核心思想是：使用一整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

        bounding box：检测框，也就是把目标框选出来的框，如下图的红色框。

YOLOV1的实现思想：将一副图像分成SxS个网格。在论文中是将图像分为7x7的网格，如上图。

网络结构

YOLOV1目标检测一共分为三个步骤：

1、resize图片尺寸

2、输入网络

3、NMS（非极大值抑制）

第一步的resize就是为了将不同尺寸的图片适配到统一的网络结构中，所以需要resize成相同的尺寸。

接下来我们看网络结构

这里我们可以看到网络最终输出的是7x7x30。以上图中的狗为例，7x7是将图像分为7x7个区域进行预测。

接下来我们解释30都代表什么，网络最终输出tensor的前五个数值分别为bounding box的下x,y,w,h,c（x，y为bounding box的中心坐标，w,h为bounding box的宽和高，c为bounding box的置信度），置信度：算法在预测出目标的准确率，最高为100%，置信度越高代表预测出这个物体的准确度越高。

而一个中心点会预测出2两个bounding box，这个操作可以减少漏检率，因为可以适应不同形状的bounding box，从而提高bouding box的准确率。最后通过nms来筛选出两个bounding box中最优的bounding box，所以最终输出的还是一个bounding box。

通过以上的解释，我们可以得到后面的30是代表什么的，分别是（2*5+20），2为保留的两个bounding box，5为x,y,w,h,c，20为类别数量（这个数量根据自己的数据集的类别数量变化而变化，这里之所以是20是因为yolov1使用的是VOC数据集进行的训练，所以这里的类别数量为20，如果你自己的数据集的类别为3，那么这里就是3)，由此我们可以知道输出的信息都代表什么了。

Loss

loss在网络中是非常重要的一个环节，因为一个模型训练的好坏是由Loss函数和优化器决定的。yolov1使用的优化器为普通的梯度下降法，而loss采用的方式全部为误差平方和损失作为loss。

由于博主是一个大懒货这里就写loss的详细的过程了，loss详细过程请见如下链接

(21条消息) 目标检测模型YOLO-V1损失函数详解_智能算法的博客-CSDN博客

参考链接，这位博主写的非常的详细：

保姆级教程：图解目标检测算法YOLOv1 - 知乎 (zhihu.com)