YOLOv1的理论介绍

yolo_v1 2016

特点

45FPS

448*448

63.4mAP

思想

• 输入的图片，物体提前会被人为标注好。真实框
• 经过yolo处理后把图像分成s*s个grid cell
• 每个gridcell会有二个bounding box，bounding box的大小是人为根据经验设定的
• 每个bound ing box会计算得到5个参数，4个位置参数（回归调整预测框大小），和一个confidence值（置信度）
• 二个bounding box会分别计算与真实框的iou（交并比），选择iou大的作预测框
• 在所有cell中，置信度值高表示是该grid cell内是物体留下，否则就舍弃
• 这样预测框会选择大iou的，置信度低的gridcell的预测框会被舍弃，调整之后就得到了正确的预测框

每个grid cell要预测B个bounding box（这里是2），每个bounding box除了要预测位置之外，还要预测一个confidence值（置信度，表示该cell内是不是物体），每个网格还要预测C个类别的分数（每个bounding box要预测5个值，4个位置参数x,y,w,h和一个confidence值）

不清楚bounding box的看什么是Bounding Box、anchor box?-CSDN博客这个链接

参数分析

例如：PASCAL VOC数据集，我们设定划分成S=7，bounding box数量B=2，分成20类，PASCAL VOC数据集所以C=20。所以预测的参数个数有7*7*30个参数。

Q：30怎么来的？

参数个数分析如下

位置参数 x,y,w,h和confidence

（x,y）是代表grid cell物体的中心坐标，范围在0~1内，因为是相对于当前grid cell

（w,h）是预测目标cell相对于整个图片的宽和高，所以范围也是0~1

confidence 是P(obejct)*IOU^truth^，如果网格有检测物体就是IOU，否则就是0

yolo_v1网络结构

Tips：

标注了s-2，表示步距=2，否则步距=1

经过若干卷积之后，得到4096的特征向量

然后经过全连接层4096个，

在经过全连接层1470个，再把这1470维特征向量reshape成7*7*30的特征矩阵

损失函数

损失分为三部分。基本都是采用误差平方和，就是预测-真实，再平方求和

obj是正样本

nobj是负样本

存在的问题

1.群体检测效果差，太多了。因为每个grid cell 只预测二个bounding box

2.目标出现新的尺寸和配置，就效果差

3.主要的错误来自定位不准确