YOLO系列：YOLO v1深度解析

声明一点，我是工程应用人员，此文章仅适合算法应用工程师。

1、首先

先看一下YOLO的整体结构：

2、其次

看一下YOLO的工作过程：
(1) 将原图划分为SxS的网格。如果一个目标的中心落入某个格子，这个格子就负责检测该目标。

(2) 每个网格要预测B个bounding boxes，以及C个类别概率Pr(classi|object)。

(3) 每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值（这个confidence代表了所预测的box中含有目标的置信度和这个bounding box预测的有多准两重信息）

如果有目标落中心在格子里Pr(Object)=1；否则Pr(Object)=0。第二项是预测的bounding box和实际的ground truth之间的IOU。每个bounding box都包含了5个预测量：(x, y, w, h, confidence)，其中(x, y)代表预测box相对于格子的中心，(w, h)为预测box相对于图片的width和height比例，confidence就是上述置信度。需要说明，这里的x, y, w和h都是经过归一化的。

(4) 由于输入图像被分为SxS网格，每个网格包括5个预测量：(x, y, w, h, confidence)和一个C类，所以网络输出是SxSx(5xB+C)大小(5) 在检测目标的时候，每个网格预测的类别条件概率和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

YOLO网络最终的全连接层的输出维度是 SS(B5 + C)。
YOLO论文中，作者训练采用的输入图像分辨率是448x448，S=7，B=2；采用VOC 20类标注物体作为训练数据，C=20。因此输出向量为77*(20 + 2*5)=1470维。作者开源出的YOLO代码中，全连接层输出特征向量各维度对应内容如下：

显然这个class-specific confidence score既包含了bounding box最终属于哪个类别的概率，又包含了bounding box位置的准确度。最后设置一个阈值与class-specific confidence score对比，过滤掉score低于阈值的boxes，然后对score高于阈值的boxes进行非极大值抑制(NMS, non-maximum suppression)后得到最终的检测框体。

最后

详细了解参数含义

最后将(S×S)×B×20 列的结果送入NMS，最后即可得到最终的输出框结果

损失函数如下：不做深究

转载于:https://www.cnblogs.com/zhangAlin/p/10661771.html