目标检测——细读YOLO V1

Yolo（You Only Look Once）是一个end-to-end的目标检测算法。作者在论文中提出，人类的视觉系统是快速和准确的， 人们瞥一眼图像，立即知道图像中的物体是什么，它们在哪里以及它们如何相互作用。而对于Rcnn系列的方法，都是需要先找到有可能有物体的框(anchor box)，然后进行前背景分类，nms消除重叠框，重新进行坐标回归和分类，这个流程就比较复杂，并且每个步骤的组件的优化都比较麻烦，无论是训练还是最终的测试，速度都非常慢。

因此，yolo的作者提出，将目标检测的问题转化为一个回归问题，只通过一个步骤就能找到目标的位置。

Yolo的检测步骤：

1. 将图像划分成$S \times S$的网格，如果一个目标物体的中心点落在一个网格中，那么这个网格就负责预测这个目标。
2. 每个网格预测B个边框和置信度分数。
3. 边框用$x , y , w, h$表示，$(x, y)$表示目标边框的中心相对于网格的位置（论文里没说是相对于网格的中心还是左上角之类的，实际情况两种应该没什么差别），而$w, h$是相对于整个图像的大小。
4. 置信度表示预测框与实际框之间的IOU。
5. 每个网格还预测$C$个类的概率$Pr(Class_i|Object)$，也就是在这个网格有物体的情况下，是某个类的概率。值得一提的是，一个网格只预测一组类的概率，和预测的框的数量$B$没有关系。
6. 最终，网络的输出就为 S×S×(