YOLO-V2 输入和输出数据的编码和解码

Yolo v2是怎么处理数据的呢？输入数据是什么样子，输入数据怎么编码，输出数据是什么样子，输出数据怎么解码，网上很多帖子都是讲解yolo的原理，但是这些只能通过代码来理解，这里做一下总结
根据参考yolov2 keras 实现，作者是用的低版本的tensorflow，然后我用的版本是tensorflow2.2，因此对代码做了轻微的改动

输入数据格式

相比较yolov1，yolov2的输入标签有些复杂，主要是加入了anchor boxes的原因，yolov2在每一个单元格中添加了5个anchor box，那么每一个单元格就可以表示5个目标，这就解决了目标重叠的场景，yolov2的坐标表示还跟v1一样，使用相对单元格坐标，
如上图，bx和by是目标中心点相对与13*13的单元格的相对坐标，单元格索引(Cx)+偏移量sigmoid(tx)， bw和bh也是相对与单元格的相对值，这里pw和ph不是像素值，也是相对值，因为v2的输入图片是416*416，32倍下采样，因此anchors的尺寸范围就是[0, 13]，这个在v3里面改成了真实的像素值。
因此对于单个box的数据格式就是[tx, ty, tw, th]，tx, ty我们可以暂时理解为单元格内的偏移值， tw, th为相对于13*13的宽高

输入数据编码

那么怎么将一张图片得到输入编码呢，首先我们假设原始图片尺寸为（500， 600），500表示有500行像素表示高度，600表示有600列像素表示宽度

1. 首先根据标注软件得到目标方框的左上角坐标(x1, y1)和右下角坐标(x2, y2)，我们举例子为(50, 100), (250, 300)
2. 计算中心点坐标和宽高值，计算后是真实像素值
   x_c = (x1+x2)/2 = (50+250)/2 = 150;
   y_c=(y1+y2)/2 = (100+300)/2=200;
   w = x2-x1 = 250-50 = 200
   h = y2-y1 = 300-100 = 200
3. 计算中心点坐标和宽高相对于原图尺寸的相对值
   x_c = x_c / 600 = 150/600 = 0.25
   y_c= y_c / 500 = 200/500 = 0.4
   w = w / 600 = 200/600 = 0.33
   h = h / 500 = 200/500 = 0.4
4. 求中心点相对于单元格索引 和偏移量
   [x_c, y_c, w, h] * [13, 13, 13, 13] --> [0.25, 0.4, 0.33, 0.4] * [13, 13, 13, 13] = [3.25, 5.2, 4.29, 5.2]
   i = 3 # 3.25取整数 单元格x索引
   j = 5 # 5.2取整数 单元格y索引
   x = 0.25 # 3.25取小数
   y = 0.2 # 5.2取小数
5. 求相对于单元格的w和h anchor表示在5个anchors中和我们标注的box的iou最接近的anchor，这里我们假设取第五个，log的原因就是在计算模型输出的时候要对w和h进行一个指数运算，除以anchor是因为我们在计算输出的时候要乘以anchors
   w = log(w/anchors.w) = log(3.25/9.77052) = -0.478
   h = log(h/anchors.h) = log(5.2/9.16828) = -0.246

这样一个box的计算就完成了 输入数据就是(0.25, 0.2, -0.478, -0.246)

输出数据格式

yolov2的输出是一个13*13*125的一个张量

x	y	w	h	c	P(class)

其中x，y表示中心点偏移，y是, w,h是相对宽高，c是置信度，P(class)是20个分类概率，然后这个表格重复5次就是125

输出数据解码

有了训练的时候的训练标签，模型就会根据这个标签来评定模型训练的预测结果，那么模型的输出是什么样子的呢，其实就是上面的那个长方体，我们就拿出一个单元格中的一个anchor来说明怎么将预测解码为实际的box，yolov2论文里面给出的计算公式如下图，我们训练的模型预测的就是(tx, ty, tw, th)，其中sigmoid(tx), 和sigmoid(ty)，bw和bh就是相对于13*13的目标长宽。我觉得这部分看代码更清晰一些，我将代码加上注释上传到github
码云