目标检测算法YOLO系列之YOLOv1

        YOLO系列的目标检测算法相较于R-CNN系列的目标检测算法，最明显的优势就是检测速度快，同时YOLO采用端到端的设计思路，让它的模型更加的容易理解，它的主要思想就是将目标检测问题转换成一个回归问题，从回归的结果中得到预测框的位置以及预测框中包含的物体类别。
        下面将对YOLOv1进行讲解：
1、网络架构

        从上图中，我们可以知道整个YOLOv1的网络架构。首先，输入一张图片，经过主干特征提取网络得到特征图，随后对特征图进行一系列的卷积操作，这是为了对提取到的特征进行加强，之后与全连接层进行连接，再reshape成$7\ast 7\ast 30$的形状，就得到了模型想要的输出。
2、对模型输出结构进行解释
        <1>、为什么模型最后输出的形状是$7\ast 7\ast 30$
        这是因为，YOLOv1将输入图片划分成$7\ast 7$的网格，在每个网格当中需要预测两个bounding box，每个bounding box除了自己的位置信息之外，还需要预测出一个confidence，也就是每个bounding box包含5个值(x,y,w,h,confidence)。同时每个网格需要预测出该网格中包含物体的种类信息，共两个bounding box使用(注意，这里与YOLOv2、v3都不同，这也是YOLOv1如果网格中包含两个物体只能检测出一个的原因)。这样，我们就知道了$7\ast 7\ast 30$=$7\ast 7\ast 20$+$7\ast 7\ast 2\ast (4+1)$(YOLOv1实现的是20分类)
        <2>、confidence表示的含义
        confidence包含两重含义，第一重就是该网格是否负责预测物体。在YOLO目标检测算法中都这样规定，如果物体真实框的中心落在了某个网格当中，那么就由该网格负责预测。负责预测Pr=1，不负责预测Pr=0。第二重就是如果负责预测，那么产生的预测框到底准不准，这里的准不准是通过与真实框的IOU值来衡量的。

        <3>、计算每个bounding box的得分
        我们将每个网格预测出的分类信息与bounding box预测出的condidence信息进行相乘，就可以得到每个bounding box的得分：

        通过每个bounding box的得分信息，我们会筛选出哪些得分比较高的预测框，然后再对这些预测框进行非极大值抑制，以得到最终的预测框
3、负责预测的概念
        如果一个物体的中心点落在了某个网格当中，每个网格当中又会预测出两个bounding box，那么是这两个bounding box都会负责预测这个物体吗？
        YOLOv1的做法是：求bounding box与ground true box的IOU，选择那个IOU值大的bounding box来负责预测物体，主要是因为这个bounding box更逼近ground true box，可以更快的收敛。这种做法称作bounding box predictor的specialization(专职化)。
        如果一张图片中包含3个物体，也就是有3个ground true box，而我们预测会产生772=98个bounding box，在这98个bounding box当中，只有三个bounding box是负责预测物体的，其他的都不负责预测物体。(因此会产生负样本过多的情况，那么通过计算负样本与ground true box的IOU值，然后设置IOU阈值，小于阈值的负样本得以保留，大于阈值的负样本就忽略，这样就可以使得正负样本达到平衡。)
4、损失函数

        从上面的损失函数可以知道，YOLOv1的损失函数包含三个部分：位置回归损失、置信度损失、分类损失，其中位置回归损失和分类损失只计算正样本，而置信度损失要计算正负样本
5、总结
        看完YOLOv1之后最大的感受就是，它不再需要候选框了，直接通过神经网络就预测bounding box，非常的直接。但是由于它对相互靠的很近的物体，还有小的物体检测效果不好，这是因为一个网格中只预测两个框，并且只能预测出一个类别，主要原因就是没有多尺度特征融合以及使用anchor box机制，在YOLOv2、v3中就进行了加强。