YOLO过程

一、YOLOV1

yolov1最后输出的是7x7x30，即最后的特征层为7x7=49个像素，因为是下采样后的，所以每个像素对应原图中的一块区域
而30=1+4+1+4+20，也就是每个网格有2个bbox，输出的是位置信息和置信度，以及20分类

YOLOV1分为训练阶段、预测阶段

1.训练阶段

训练阶段，每个像素点（对应原图中的一块区域）预测两个Bbox，假设图像中有两个物体，原图中待测对象的中心点落在哪个网格中，则就由这个网格中的两个bbox进行预测对象，两个bbox又根据置信度舍去一个；
但是在这还要注意一个问题：其他grid预测的bbox咋办那，因为有置信度公式，它们也会计算置信度，只需要做到让它们的置信度非常小就行。
每个网格也只能预测一个类别
训练阶段中也就产生了三个损失：置信度、位置、种类损失；
最后网络也就输出了预测框的位置（x,y,w,h,conf,c）；
通过损失函数反向传播------得到训练后的权重

置信度= bbox与GT的IOU值

2.预测阶段

加载训练之后的权重后，网络最后输出的仍然是7x7x30的张量，最后有49*2=98个bbox；
①首先通过设置confidence的阈值，去除掉一部分bbox，有的bbox中可能没有物体
②假如是20分类，然后每个类别都会进行NMS处理，选择最优的框，这样就得到了某个种类的预测框
NMS处理：20个种类，假设第一个种类是dog，将经过第一步骤后的bbox，根据是dog的概率进行排序，最大的先作为样本，然后依次给他作IOU比较，【所以，IOU设置过小，那么去除的框也就非常多，只有超过了这个阈值，才会去除掉剩余的框】

3.YOLOv1不足

1.对于群体的小目标检测效果差，因为每个网格的两个bbox都是针对同一个类别的置信度，所以比如当一群鸟飞过的时候，检测效果差；
2.不是基于anchor
3.对新的目标纵横比检测效果差

====================================================================================================================================================================================================================

二、YOLOV2

yolov1直接最后输出的是（7x7x30）的特征，直接输出bbox；
Fastet R-CNN、YOLOv2等以后算法都是基于anchor

1.什么是anchor

在深度学习时代，即使是R-CNN、Fast R-CNN都是基于滑窗来产生候选框，直到Faster R-CNN提出了RPN网络，RPN网络一个重要的概念就是anchor

窗口滑动的时候，本质就是遍历像素的过程，因此直接为每个像素分配不同的尺度和比例的窗口矩形，它们的中心都是其所属的像素点。对于长度和比例的分配们可以根据标注图像信息通过k-means聚类得到。而每个像素分配几个不同长度和比例的窗口举行就是Anchor。

2.举例

假设一张256256大小的图片，经过64,、128、256倍率的下采样，产生44,、22、11大小的特征图，在这三个特征图每个像素点上设置三个不同大小的矩形框，就是anchor。所以来说anchor的位置是固定的，从而根据偏移、倍率计算出真实的预测框。

3.anchor大小、比例设置也很重要

如图，电线杆的宽高比可能不止1:10，而且特别细。如果您设置的anchor长宽比为1:1、1:2、 2:1、 1:3、 3:1这五个不同的长宽比，那可能到导致在训练的时候，没有哪个anchor与电线杆的IoU大于0.5，导致全部为负样本。
在YOLOV3中9个anchor的大小如下，（有三个特征层，每个特征层上每个像素点有三个anchor）

三、YOLOV3