Yolo v1 v2

https://blog.csdn.net/litt1e/article/details/88814417
https://blog.csdn.net/qq_14845119/article/details/80335225?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-1.highlightwordscore&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-1.highlightwordscore
RPN:::https://blog.csdn.net/lanran2/article/details/54376126

v3网络还没有太明白，正在看链接：https://zhuanlan.zhihu.com/p/76802514

YOLOv1，每个cell都预测2个boxes，每个boxes包含5个值：x, y, w, h, c；每个cell只预测一套分类概率值（class predictions，其实是置信度下的条件概率值），供2个boxes共享。

v1 最后采用的是全连接层直接对边界框进行预测，其中边界框的宽与高是相对整张图片大小的；

也就说，抛弃RCNN系列的RPN先验框 先入为主的下意识思想，yolov1最后对特征图划分格子，进行bbox系列的预测（全连接层）；

将YOLO用于PASCAL VOC数据集时：
S=7，即将一张图像分为7×7=49个栅格，每一个栅格预测B=2个boxes；
（每个box有 x, y, w, h, confidence，5个预测值），
同时C=20（PASCAL数据集中有20个类别）。
因此，最后的prediction是7×7×30 { 即S×S×( B×5 + C) }的Tensor。

得到98个bbox的信息后，首先对阈值小于0.2的score清零；

然后重新排序，最后再用NMS算法去掉重复率较大的bounding box。

最后每个bounding box的20个score取最大的score，如果这个score大于0，那么这个bounding box就是这个socre对应的类别（矩阵的行），如果小于0，说明这个bounding box里面没有物体，跳过即可。

（NMS:针对某一类别，选择得分最大的bounding box，然后计算它和其它bounding box的IOU值，如果IOU大于0.5，说明重复率较大，该得分设为0，如果不大于0.5，则不改；这样一轮后，再选择剩下的score里面最大的那个bounding box，然后计算该bounding box和其它bounding box的IOU，重复以上过程直到最后）

---

v2使用了RPN的思想，不过先验框的尺寸 —使用了k-means对训练集的框进行聚类得到的，非手动设定；

v2移除了v1中的全连接层，而采用了卷积和anchor boxes来预测边界框。

v2沿用v1的方法，预测边界框中心点相对于对应cell左上角位置的相对偏移值。
为了将边界框中心点约束在当前cell中，使用sigmoid函数处理偏移值，这样预测的偏移值在(0,1)范围内（每个cell的尺度看做1）。

和v1一样，对于训练图片中的ground truth，若其中心点落在某个cell内，那么该cell内的5个先验框所对应的边界框负责预测它，具体是哪个边界框预测它，需要在训练中确定，即由那个与ground truth的IOU最大的边界框预测它，而剩余的4个边界框不与该ground truth匹配。

YOLOv2使用anchor boxes来预测bbox的坐标。

YOLOv2同样需要假定每个cell至多含有一个grounth truth；