YOLO目标检测系列 YOLOv1, YOLO9000(v2), YOLOv3

YOLOv1

YOLOv1结构及工作流程

YOLO最早于2016年提出。它的核心思想就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置及所属的类别。YOLO最左边是一个InceptionV1网络，共20层。但作者对InceptionV1进行了改造，他没有使用inception模块，而是用一个1x1的卷积并联一个3x3的卷积来替代。
InceptionV1提取出的特征图再经过4个卷积层和2个全连接层，最后生成7x7x30的输出。

YOLO将一副448x448的原图分割成了7x7=49个网格，每个网格要预测两个bounding box的坐标(x, y, w, h)和box内是否包含物体的置信度confidence（每个bounding box有一个confidence），以及物体属于20类别中每一类的概率（YOLO的训练数据为voc2012，它是一个20分类的数据集）。所以一个网络对应一个（4x2+2+20）=30维的向量。

输出
7x7网格内的每个grid（红色框），对应两个大小形状不同的bounding box（黄色框）。每个box的位置坐标为（x, y, w, h），x和y表示box中心店与该格子边界的相对值，w和h表示预测box的宽度和高度相对于整幅图像的宽度和高度的比例。（x, y, w, h）会限制在[0, 1]之间。与训练数据集上标定的物体真实坐标（Gx, Gy, Gw, Gh）进行对比训练，每个grid负责检查中心点落在该格子的物体。

这个置信度只是为了表达box内有无物体的概率（类似于Faster R-CNN中RPN层的softmax预测anchor是前景还是背景的概率），并不预测box内物体属于哪一类。

confidence置信度

其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真是标记的box之间的IoU。值越大则box越接近真是位置。

confidence是针对bounding box的，每个网格有两个bounding box，所以每个网格会有两个confidence与之对应。

YOLO-V1预测工作流程

1. 每一个格子得到两个bounding boxes
2. 每个网格预测的class信息和bounding boxes预测的confidence信息相乘，得到了每个bounding box预测具体物体的概率和位置重叠的概率PrIoU
3. 对于每一个类别，对PrIoU进行排序，去除小于阈值的PrIoU，然后做非极大值抑制

YOLOv1代价函数讲解以及缺点分析

YOLO的loss函数包含三部分：位置误差、confidence误差、分类误差