YoloV1——总结

1.概述

YoloV1是一个快速、准确的目标检测网络，优缺点如下：

优点：

1.具备实时性，网络运行速度超过45fps

3.网络结构简单，端到端

4.可用于多种对象的检测

缺点：

1.目标定位较粗糙

2.对小目标检测不太好

3.每个cell只能生成2个框，并且只能有一个类

2.网络结构

说明：网络有24个卷积层，然后是2个完全连接的层。交替的1×1个卷积层减少了前一层的特征空间。

3.检测过程中的参数

1.输入一张图片

2.系统将图片分割为一个的网格，如果一个对象的中心落入一个网格单元格中，则该网格单元格负责检测该对象。

3.每个网格单元格预测边界框和这些边界框的置信度分数。这些置信度分数反映了模型对边界框包含物体的信心，也反映了它认为盒子预测的准确性。

注：如果单元格中不包含对象则，包含对象。

4.每个单元格2个预测框，每个框里面有六个参数，分别是，是预测框的中心坐标，分别是预测框的宽和高，是置信度。此外，每个单元格还有一个参数，其是某几类对象的概率集合。

5.Yolov1最终会将一张图片编码成一个如下张量：

        其中B是每个单元格的预测框数量。

        在论文中，

6.计算每个预测框的得分：

        用这个得分去做后续的非极大值抑制处理（NMS）。最后保留下来的结果，就是网络的最终预测输出。

4.训练

1.作者先在ImageNet1000上预训练前20层卷积层加一个平均池化层和一个全连接层。

2.然后作者又在20层卷积层后面加了4层卷积层和随机初始化权值的完全连接层。

3.作者还把网络的输入从增加到了。

4.作者还基于图像的大小，把预测框的缩放到了0到1之间。

5.网络的最后一层使用的是线性激活函数：

6.在每个图像中，许多网格单元格不包含任何对象。这将这些细胞的分数推向零，通常超过了确实包含物体的细胞的梯度。这可能导致模型不稳定，导致训练在早期出现分歧。为了解决这一点，作者增加了边界框坐标预测的损失，并减少了不包含对象的框的一致性预测的损失。

7.误差度量应该反映大预测框的小偏差比预测框的小偏差小。为了部分解决这个问题，我们预测边界框宽度和高度的平方根，而不是直接预测宽度和高度。

5.损失函数