【YOLO系列文章】YOLOv1解读

1. 介绍

本文将对YOLOv1框架进行详细的解读，将针对我看论文的一些疑问进行解读，仅作为个人笔记。
因为还没有读代码，因此只针对论文进行理解性解读，有错误的地方欢迎指出。

论文地址：https://arxiv.org/pdf/1506.02640.pdf
项目地址：https://pjreddie.com/darknet/yolo/
GitHub：https://github.com/AlexeyAB/darknet
参考博文1：https://zhuanlan.zhihu.com/p/24916786?utm_source=qq&utm_medium=social
参考博文2：https://blog.csdn.net/x_iunknown/article/details/83064787

2. 检测框架

相比于Fast-RCNN, Faster-RCNN 等，yolo系列秉承着一个流程，一个end-to-end的思想，没有分成两步进行（提取proposal+识别），而是采用如下流程，简洁明了。

将图片分成网格状 -> 每个网格预测若干个矩形框 -> 判断矩形框里是否有物体

2.1 图片划分成网格

将一幅图片划分成 7x7的网格，S=7.

2.2 网络设计

网络如下，借鉴了Googlenet的思想, 但没有用inception，转用1 x 1 卷积，3 x 3 卷积， 1 x 1卷积，这样有个好处，降维，减少计算量，比直接用3 x 3计算量小很多。

网络具体细节不解释了，看不懂图的话，请面壁思过。

预训练网络：输入224 x 224， 数据集imagenet
后面训练的网络：输入变成448 x 448, 数据集pacal voc

最后输出为 7x7x30:
【问题1】：为什么为30？
box1, box2, confidence1, confidence2 20个分类，其中box = (tx, ty, tw, th)。其实这边就体现出一个问题了，一个划分出的小格子里只能预测一个类，拿要是一个格子里有两个类呢？换句话说两个box都有效，但是yolov1只取一个类，因此可想而知，recall肯定不会太好，会漏掉很多物体。后面的yolo版本对这个问题会有改进。

2.3 训练

需要注意的几点

• 训练样本构造
• 448 x 448 输入（提高分辨率，增加小物体检出率）
• leaky 激活函数
• loss 函数设计
• 防止过拟合做的trick

2.3.1 训练样本构造

构造什么？就是最后那个30维向量。以如下图示为例

首先明确构造思想，中心点所在的网格对预测的对象负责。
蓝点对狗狗负责，黄点对自行车负责，红点对汽车负责。其他的点都不预测任何对象。

1. box 位置构造