YoLO V1算法解析

最近几天看目标检测的一篇论文 YOLO，这篇论文是发表于CVPR2016，作者是Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi。虽然这篇论文发表于2016年，但却不失是one stage中的一篇经典论文，V1也是YOLO系列的开山之作。

论文名称：You only look once unified real-time object detection

论文链接：https://arxiv.org/pdf/1506.02640.pdf

代码下载：https://github.com/pjreddie/darknet

预备知识

为了 更好让大家理解YOLO V1，我接下来先介绍下 分类，对象定位，对象检测它们之间的联系和区别。

图像分类：顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。

对象定位： 一般是指一张图有一个类别，有单个物体需要去定位，且物体较大，位于图片的中间。

目标检测：是指图片中有多个对象， 有可能是不同种类，并且将图片中的多个对象位置输出

下面从分类——>对象定位——>YOLO讲。之所以这样讲，是为了方便大家理解YOLO  V1的思想

由于分类比较简单，我就不详细解释，下面通过一幅图介绍下，

如图所示，输入一张图片，经过卷积操作和全连接操后，得到 一个N*1维的列向量，其中N表示类别数。在这里我先假设N=4

分别是 car， dog，people，background。图片的理论输出是（1,0,0,0)T。

若我们想知道car的位置，我们该如何？ 这就涉及到了目标定位，如下图所示。

我们可以让神经网络多输出几个单元 0<x,y,w,h<1 ，它们分别表示目标的中心位置，以及目标的宽高。  所以上图的输出就变成了y=（pc,x,y,w,h,c1,c2,c3)T 其中pc表示输出的这个框是否含有目标，若有就pc=1，否则pc=0.相当于说明图像分类的background

关于目标定位的损失函数可以定义平方误差和为：

这里解释下，图片中没有目标时，即我们不关注 x,y,w,h,c1...

以上就是对分类，和目标定位的解释，可能存在偏差，望大家理解。接下来我正式介绍YOLO V1

YOLO V1算法介绍

传统的目标检测算法是将检测工作视作分类器（RCNN，Fast RCNN，Faster RCNN等)，而本文的作者在YOLO算法中把目标检测问题看作一个回归问题，也就是说