YOLOv1

YOLO是典型的one-step，将候选区bbox的确定和检测过程合二为一，整体可看作是回归问题，检测时间大大缩短，典型的

end-to-end。

YOLOv1论文地址：https://arxiv.org/pdf/1506.02640.pdf

1、网络结构图

 卷积层采用Leaky ReLU激活函数。全连接层却采用线性激活函数。

第1个全连接层之前，采用dropout，参数值设为0.5

注意：在最后一个卷积层与dropout层之间，有一个local层，同样做的是卷积计算，但是卷积层共享卷积核参数，而local层每次滑动卷积窗口时，都会使用新的卷积核参数。详见yolov1.cfg文档

 问题：我没有明白的是，网络结构中显示有两个全连接层，但是cfg文档中似乎只有一个（难道是detection层包含了？），而且它的output=1715   ？？？这是为何？还望有大佬赐教留言

2、训练过程

    在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用网络结构图中前20个卷积层，输入是224×224（因为目标分类对图片像素的要求不高），然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。

（图片源于网络）

   

3、输入输出

    将输入图片resize到448x448大小，然后被划分为7×7个网格grids。最终输出7×7×30的张量，这就意味着输入的每个网格对应输出30维的向量。30维向量主要包括：20个对象的预测概率（YOLOv1只支持识别20种物体），2个bbox的置信度（因为每个grid预测2个bbox），2个bbox的位置（每个需要4个数，共8个）

（图片源于网络）

也就是可以用一个公式来说明：

S×S×（B×5+C）

在这里S=7，B=2，C=20.     如果是训练自己的数据集，C改成数据集的类别数。

虽然每个grid可以预测2个bbox，但是最终只选择只选择 IOU 最高的 bbox 作为物体检测输出，所以最多只能检测出1种物体，对于群体的检测很差。

4、置信度计算

代表是否存在目标，取值为0或者1。代表检测框pred和真实框truth之间的交并比。

5、损失函数

第一项：边框中心点的误差（YOLO中设置）

第二项：边框高度、宽度的误差

第三项：边框中有目标时，置信度误差

第四项：边框中没有目标时，置信度误差（YOLO中设置，为了调低不含对象的bbox的置信度）

第五项：目标分类误差

6、NMS

对于同一目标被多次检测的问题，目标检测算法常用NMS做最终检测。参考我的一篇博客https://blog.csdn.net/xue_csdn/article/details/100556865

7、FastYolo

FastYolo是文章中提出的一种轻量级版本，使用9个卷积层，并且卷积层中使用更少的卷积核（作者只介绍了其检测相关参数，没有对网络结构做说明，不太重要）。