YOLO学习笔记（模型结构及算法解析）

  整体流程：首先系统将输入图像的大小调整为448 × 448，然后在图像上运行单个卷积网络，最后通过模型的置信度对结果检测进行阈值。如下图

   具体实现细节为，将一张图像分成S×S个网格，如果一个物体的中心落在一个网格单元中，这个网格单元负责检测这个物体。每个网格单元预测B个边界框和这些框的置信度得分。这些置信度分数反映了模型对边界框里有一个物体有多大概率，以及它认为盒子里有一个物体的预测有多准确。

  每个边界框由5个预测组成:x, y, w, h和置信度。(x;y)坐标表示相对于网格单元边界的框的中心。宽度和高度是相对于整个图像预测的。最后，置信度预测表示预测框与任何真实框之间的IOU。每个网格单元还预测C个条件类概率。

如图，将一张图片为分成7×7的网格，每个网格生成两个预测框。系统将检测建模为回归问题。它将图像划分为S × S网格，并为每个网格单元预测B个边界框、这些框的置信度和C类概率。这些预测被编码为S × S × (B * 5 + C)张量。

举个例子：为了评估PASCAL VOC上的YOLO，我们使用S = 7, B = 2。PASCAL VOC有20个标签类，所以C = 20。我们最终的预测是一个7 × 7 × 30张量。

  如上图，是该模型的网络结构，网络有24个卷积层，后面是2个全连接层。 网络的最终输出是7 × 7 × 30的预测张量。

总结：

优势在于速度快，定位与分类同时进行。

劣势在于空间约束大，并且每个网格只能预测两个边界框，因此对小目标等容易出现漏检。