YOLOv1知识补充说明

注：本文章基于YOLOv1论文进行相关学习总结，原文链接如下：https://arxiv.org/pdf/1506.02640.pdf

一、YOLO算法检测流程

在这里就不过多地详细介绍YOLO算法了。概括来说，它的检测过程可以概括为：

1. 将图片划分为S*S个网格(grid cell)（在YOLOv1中划分成了7*7个），每个网格预测B个候选框（bounding box，简称bbox）（YOLOv1中有2个bbox）
2. 在训练阶段，标签ground truth（真实值）落在哪个网格中，就由哪个网格预测这个物体（也就是中心点落在哪个网格，哪个网格预测），对应的类别=1，其他类别=0 。 网格对应的两个bbox哪一个与ground truth的IoU最大，那个bbox便负责预测该物体。每一个网格最终只可预测一个类别，最终整张图片输出S*S*(B*5+C)的tensor（在YOLOv1中即输出7*7（2*5+20）的tensor）
3. 在检测阶段则直接获得图片的S*S*(B*5+C)的tensor，进行NMS（非极大值抑制）后处理得到目标检测结果。
   

二、Q&A

1. 对上文中一些公式和术语进行解释

S*S*(B*5+C)：S为网格个数，B为bbox个数，C为预测种类个数，5表示一个bbox所含的5个参数（x,y,w,h,c）–>坐标(x,y)、宽高(w,h)、置信度c，yolo利用PASCAL VOC数据集进行训练，它包括了20类物体，所以c=20；

IoU用大白话讲就是两个bbox分别和真实框重叠，哪个重叠度高，哪个IoU大（个人理解）；

NMS（非极大值抑制）同理就是用来筛选哪个bbox用来预测目标，仅在测试阶段使用。举例来说：图片现在有772=98个bbox，每一个bbox对于20类物体都有相应的概率（比如说我这个网格里面有一只狗的概率为0.7，一只鸟的概率为0.1…），以狗狗类别作为示范，首先会将98个bbox通过人手动设置阈值（比如0.2），将小于阈值的bbox对应的类别设置为0（dog=0 ），再按照狗类别概率进行由大到小排序，利用NMS将最大的保留，其余设置为0.最终狗类别概率最大的bbox用来预测狗这个目标。

2. 为什么说YOLO算法对于检测小目标、重叠目标效果差？

因为每一个网格最终只可以预测一个类别，yolov1将图片分成7*7的网格，所以最大只能预测49个目标，对于小目标、密集目标、重叠目标，大概率会多个目标落在一个网格内，然而只能检测出一个，这也是效果不好的原因。

3. 一个目标落在了多个网格中怎么办？

取目标中心点，目标中心点落在哪里，该网格负责预测，其他网格为为0。

4. 中心点落在网格点上怎么办？

yolo算法通过将图片分成奇数个行和列，像yolov1中分成了7*7，使得图片有一个中心网格，极大地避免了目标检测中大目标中心点往往落在中间这一常见问题（如果是偶数，中心点必然会落在中心网格点上）

5. 一个网格中存在多个目标怎么办？

实际上yolo直到v3才取消了一个网格最终只能预测一个目标的限制，不同的bbox可以预测不同的目标，从而在小目标检测性能上有了很大的提升。在此之前，只能是选择类别概率最大的作为最终输出。

本文章为个人理解，措辞不太严谨，如有错误的地方，欢迎在评论区留言指正。