目标检测YOLO系列学习记录

---

前言

最近要用到目标检测网络，为了更好理解YOLO系列检测算法，跟着bilibili的up主（视频链接）学习一下，同时做一些笔记加深印象。

一、YOLOv1

首先将图片分成S*S个grid cell（S=7），如果目标的中心落在某个cell里，那么这个cell就负责预测这个目标，每个网格预测B个bounding box（B=2）。除了预测位置之外，附带预测一个confidence值和C（VOC数据集的C=20）个类别的分数。SSD和Faster R-CNN都没有预测confidence这个参数。

这个图表示了网络的输出的feature map的形状。 x,y表示中心点相对于每个cell的坐标，范围是0-1，这里是把cell的长宽作为单位1来看的，w,h也是0-1的值，是bounding box与图片长宽的比值。confidence定义为预测框与gt的IoU。最终的置信度是对应的class score与confidence相乘。

网络细节组成，其中1470=7x7x30

w和h取根号的原因是考虑到了目标大小的差异，当一个大目标和一个小目标预测框与gt的偏移量相同时，从下边的图可以看出，小目标的IoU远小于大目标的IoU，因此这个偏移量相对于小目标来说是很大的，所以希望对小目标的惩罚更大。下图中的曲线也可以看出，小目标的根号下w的差值比大目标的更大。

confidence损失的第一行计算的是正样本的损失，第二行是负样本的损失。

YOLOV1的限制： 当一群小目标聚集在一起的时候，效果变差。出现了新的长款比时效果变差。直接预测坐标，定位没那么准确。

二