YOLO网络理解

yolo基本理论

1. 将一幅图像分解成SxS个网格（cell），如果在拿到图片对目标进行人工标注的结果框（box）中心落在某一个网格内，那这个网格就负责预测这个目标。
2. 每个网格预测b个box（一般是2），除了预测每个box的位置（x y w h）之外，还要预测一个confidence值（一个box一共五个要被预测的值）。再加上要预测的类别的分数（准确度）。一共参数有30个参数要预测。
   假设一张图被分割成7x7个网格，那么一张图就有7x7x30这么一个tensor。
   note：x,y是相对于整个图像的中心点的位置（0-1之间）
   w,h也是相对于整个图像而言的（0-1之间）
   而针对单个cell的confidence是相对于原始标注框的交并比计算出来的。$Pr(Object)\ast IO{U}_{pred}^{truth}$，这里的$Pr(Object)$就是说这个网格是否和人工标注的框有交集，有交集就是1，没有就是0。至于后面的$IO{U}_{pred}^{truth}$这个就是交集区域面积闭上并集区域面积了。
   每个类别的分数计算方法就是
   $Pr(Clas{s}_i|Object)\ast Pr(Object)\ast IO{U}_{pred}^{truth}$
   而这里的$Pr(Clas{s}_i|Object)$指的是如果这个object是类别i那就是1不是就是0。
3. 损失函数计算分为三个部分，box损失，confidence损失，class损失
   box损失中x，y的损失是点和点的损失，点与点之间的损失就直接用维度空间的距离计算求和就可以了$[(x_i-\widehat{x_i}{)}^2+(y_i-\widehat{y_i}{)}^2]$，w，h的损失就需要先开方相减再求和了$[(\sqrt{w_i}-\sqrt{\widehat{w_i}}{)}^2+[(\sqrt{h_i}-\sqrt{\widehat{h_i}}{)}^2]$，原因是小目标框重叠度相比较大目标重叠度要小，可能看起来相同的重叠情况，但是计算iou的时候差别却很大。
   confidence计算过程中，计算正负样本的损失$[(C_i-\widehat{C_i}{)}^2+{\lambda }_{noobj}(y_i-\widehat{y_i}{)}^2]$，希望yolo不仅识别正样本可以准确，同样的，yolo不识别负样本也准确。
   最后就是类别损失，略。