前言

YOLO是目前比较流行的物体检测算法，有着体积小，检测准确度高的强大优点。这里对YOLO的核心思想知识点，使用可视化的方法做一总结。

物体检测基础

YOLO是用于识别图像中的物体的网络。这类网络解决的问题通常是找到图片中是否存在某种物体（如是否有狗或人），以及找到物体在图片中的位置并标记出来（如使用红色方框标记物体）。

比如，对于一个检测图片中人和狗的网络来说，在神经网络的输出端，需要表达两类信息：

1. 某物体是否存在于图片中。通常会使用数字0、1来分别表示目标物体不存在、目标物体存在。
   

2. 如果目标物体存在，目标物体在图片中的位置。YOLO使用物体的中心坐标和物体的长、宽来表示。
   

YOLO —— 对图像碎片进行物体检测

YOLO作为一个图像物体检测算法，输出一个向量来表示图像中目标物体的信息

$P_c$：图像中是否不存在任何目标物体，1代表存在，0代表完全不存在
$B_x$：目标物体几何中心的横坐标
$B_y$：目标物体几何中心的纵坐标
$B_w$：目标物体的宽度
$B_h$：目标物体的高度
$C_1$：是否存在类别1的物体（狗）
$C_2$：是否存在类别2的物体（人）

检测单个物体

比如，将下面的图片传入训练好的YOLO网络，就会得到这样的一个向量。根据这个向量标出对应的物体中心和方形轮廓，就会得我们想要的结果。

当图片中没有任何目标物体时，$P_c$ 的值为0，向量中的其他值就不必理会。

同时检测多个物体

但是如果图中同时有多个目标物体，一个向量不够用怎么办？

直觉性的答案是将原本的 $7\ast 1$ 的向量扩大，使之同时包含 $n$ 个物体的信息，也就是变成 $7n\ast 1$ （形如下图）的格式。
[ P c 1 B x 1 B y 1 B w 1 B h 1 C 11 C 21 . . . . . . . . . P c n B x n B y n B w n B h n C 1 n C 2 n ] \left[

\right] ⎣ ⎡​Pc1​Bx1​By1​Bw1​Bh1​C11​C21​.........Pcn​Bxn​Byn​Bwn​Bhn​C1n​C2n​​⎦ ⎤​

$P_{ck}$：图像中是否存在第k个目标物体，1代表存在，0代表完全不存在
$B_{xk}$：第k个目标物体几何中心的横坐标
$B_{yk}$：第k个目标物体几何中心的纵坐标
$B_{wk}$：第k个目标物体的宽度
$B_{hk}$：第k个目标物体的高度
$C_{1k}$：第k个目标物体是否属于类别1（狗）
$C_{2k}$：第k个目标物体是否属于类别2（人）

但由于神经网络的输出结构是固定的，无法灵活的根据情况来自由变动，那么一种简单的解决方法就是让用于表示输出的向量足够大（比如每次检测 $10000$ 个物体，神经网络每次输出一个 $70000\ast 1$ 的向量）。但是这个方法，对于常见的只有数个目标物体的情况时就会有很大的浪费，而对于个别的出现非常多物体的情况来说又会不够用，适用性非常差。

YOLO所使用的思想的一大杰出之处就是优雅的解决了这个问题。

它将图片分割为数个小的碎片（比如 $4\ast 4$），然后对于每个碎片进行单一物体检测。这样一来，只要切割图像得到的单个碎片足够小，就能够保证每个图像碎片中的目标物体数量足够少（比如只有1~2个）。

这样一来，对于每个图像碎片，我们可以让神经网络只尝试找到固定数量个目标物体即可，神经网络的输出格式就可以固定下来（比如我们设为 $16$ 个碎片，每个碎片 $2$ 个目标物体，那么神经网络的输出就是一个 $14\ast 16$ 的矩阵）。

下图就是一个例子。（不过值得注意的是，为了便于表示，对目标物体的中心坐标、宽度、高度做了归一化处理，可能与YOLO算法的实际情况不符。其次，对于每个碎片中目标物体的中心坐标，究竟是碎片内的局部目标物体的中心坐标，还是目标物体在没打碎图像前的全局中心坐标，参考资料没讲解清楚，这里存疑。笔者按照局部目标物体的中心坐标的方法进行处理。）

多边界框的处理 —— IOU方法

通过使用上述方法，将目标图片切割成小碎片，然后逐一进行检测，得到的检测结果就是这样一个 $7\ast 16$ 的矩阵（这里假设切割图片为 $4\ast 4$ 个碎片，每个碎片中只寻找一个物体）。再对输出的结果进行处理，就可以得到目标物体的边界框（下图中用黄色和红色的方框来表示），以及这些边界框的精确度（下图中用每个方框边角的黑色数字来表示）。

但是目标检测问题中，经常会遇见的问题是出现多个边界框，都画出来的话显然会造成混乱：这么多个边界框对应的究竟是几个目标物体？对于某个目标物体来说，哪个边界框属于它？对应某一目标物体的多个边界框中，哪个最精确？

该如何选择边界框呢？

一种直觉性的方法是保留准确度最大的边界框。但是这个方法的问题是，只会保留 $1$ 个边界框用于标出图像中狗的位置、$1$ 个边界框用于标出图像中人的位置。但如果图像中有多个同类目标物体，就会丢失信息了，导致无法接受的偏差。我们需要更好的方法。

这一问题的常用解法是利用IOU（交并比）判断两个边界框是否属于同一物体。计算方法是，对于任意两个边框，用二者重叠部分（交集）的面积，除以二者合并起来（并集）的面积，得到一个比值。图像化公式见下图

通常我们会设定一个阈值，当IOU超过这个阈值，就判断两个边框属于同一个物体。这样一来，就能首先确定每个目标物体对应那些边界框，随后再借助每个边界框所对应的精确度，找出属于每个目标物体的最精确的边界框。（利用这种方法而非粗暴的找全局最大值，从而提高物体检测精确度的方法，被称为Non maximum suppression，非极大值抑制）

参考链接

https://www.youtube.com/watch?v=ag3DLKsl2vk
https://www.cnblogs.com/happyamyhope/p/9629358.html
https://zhuanlan.zhihu.com/p/37489043