YOLOv1原理详解---训练 & 测试

YOLOv1原理

从论文到代码实现需要知道的具体处理~

一、论文简要解读

1、优点：

• fast，原因：将检测视作回归问题，没有复杂的网络传输过程（如R-CNN分为四个阶段：特征提取、候选框提取、分类、回归）。
  【神经网络回归问题与分类问题在损失函数上的区别：回归问题可用平方损失函数，分类问题一般用softmax损失函数】
  （可以理解为，要做回归问题则用平方损失，分类问题则用softmax损失，网络其他方面均一致？）
• 背景分类准，原因：对整张图片进行卷积等操作，可以推理图片全局而不是局部。
• 可迁移到其他领域，原因：学习目标的一般化表示？

2、单元检测：

• 将输入图片分成 $S\ast S$的cell，如果目标中心落入某个cell，该cell负责检测该目标 ？
• 每个cell预测 $B$ 个bounding boxes，每个bounding box有一个置信度 $confidence$，如果某bounding box中没有目标，则 $confidence=0$，反之，$confidence=IO{U}_{pred}^{truth}$。
• 每个bounding box包含5个预测值，$x,y,w,h,confidence$
• 每个cell预测一个类别，即输出 $Pr(Clas{s}_i|Object)$
• 假设一共C类，则网络输出：$S\ast S\ast (B\ast 5+C)$
• 预测时，预测概率 = confidence * Pr(Class_i | Object)

二、训练

准备训练数据：图片和标签

1、原始图片和标签

• 输入图片：
  
  【原始图片大小：width：960， height：530】
• xml文件信息
  
• 目标类别：[‘airplane’,‘ship’,‘storage tank’,‘baseball diamond’,‘tennis court’,
  ‘basketball court’,‘ground track field’,‘harbor’,‘bridge’,‘vehicle’]

2、转化为训练用的图片和标签

图片转换：

• 原始图片resize到指定尺寸$imageSize$，如 448*448，通道数默认为3。
• 像素值归一化到 (-1,1)，方法：设某个像素点的值为 $x$ ，归一化后的值为 $\frac{x}{255}\ast 2-1$

标签转换：

• 首先需将该张图片中的每一个bounding box转化成 $[confidence,x_1,y_1,x_2,y_2,Pr(Class$