every blog every motto: There’s only one corner of the universe you can be sure of improving, and that’s your own self.
https://blog.csdn.net/weixin_39190382?spm=1010.2135.3001.5343

0. 前言

在前面我们回顾了R-CNN系列，总体来说，先生成候选框，然后对候选框进行剔除，随后对目标进行分类和box回归，进而实现目标检测。
简单说：

• 生成候选框
• 候选框分类

总体来说，分了两步，即我们熟悉的two stage。

本文开始，我们正式进入one-stage！

YOLO 是 You only look once 几个单词的缩写。

1. 正文

时间： 2015
论文： https://arxiv.org/abs/1506.02640
代码： https://github.com/pjreddie/darknet v1好像是C写的

slides: https://docs.google.com/presentation/d/1kAa7NOamBt4calBU9iHgT8a86RRHz9Yz2oh4-GTdX6M/edit#slide=id.g15092aa245_0_430

作者： Joseph Redmon∗ , Santosh Divvala∗†, Ross Girshick¶ , Ali Farhadi∗†
作者单位： University of Washington∗, Allen Institute for AI†, Facebook AI Research¶

1.1 网络结构

通过网络图我们看到，整体就是卷积池化等一些的堆叠，而不是像之前R-CNN那样分好多步，所以速度上自然快了不少。
是一个端到端的网络，所以自然更加优雅！！！
那到底是怎么通过简单的网络实现目标检测，这么一个“复杂的任务”的呢？

1.2 算法流程

1.2.1 核心介绍

将图片分割成S × S大小的格网（grid）,每个格网大小是相等的。（具体是怎么分割的呢？其实就是图片输入网络，最后输出的特征图大小为S × S的！！！）
论文中S = 7

一共会有S*S个格子，每个格子预测B个bounding box(就是最后输出物体周围的那个框框，只是这里生成的比较多，后面会剔除），论文中B = 2，即，
每个格子预测两个框框（bounding box）。

怎么确定这个bounding box呢？
中心坐标(x,y)
长宽（h,w）
这四个参数就唯一确定了一个框框（bounding box）
最后还有置信度，就是预测这个框框（bounding box）确信程度。
到这里，我们对一个框框（bounding box）会预测出5个参数为，（x , y , w , h , confidence）

---

最终会预测7×7×2 = 98个框框，如下图
confidence越高，框框越粗。

每个格子不仅要预测框框（bounding box）还需要预测其中的物体类别，使用one-hot编码。如果一共对C种物体进行识别，则最后（B×5 + C）预测值，他们保存在通道方向上。
论文中预测20类，即C = 20。
所以输出： （S，S，B×5 + C）
实际为，（7，7，30），与网络图的最后输出一致（可返回去看前面的网络图）

1.2.2 部分细节

a. bounding box

bounding box可以确定物体的位置，它输出四个值，分别为x,y,h,w。
在卷积神经网络中，常用套路是对数据进行归一化（或标准化）,让数据落入0-1之间，更有利于训练，这里也不例外。
x,y的值是相对格子左上角而言的，只要让它除以格子长宽即可，具体：

$$x^{\prime }=\frac{x}{grid\_width}$$

$$y^{\prime }=\frac{y}{grid\_height}$$

而，h,w却不能这样，因为bounding box可能会超出我们的格子。
bounding box可能会超出我们的格子边界。
bounding box可能会超出我们的格子边界。
bounding box可能会超出我们的格子边界。

如果除以格子长宽，数值会超过0-1之间，解决方法是，除以图片的长宽

$$w^{\prime }=\frac{w}{img\_width}$$

$$h^{\prime }=\frac{h}{img\_height}$$

下图显示了4个值的计算过程：

还剩最后一个置信度confidence，计算公式为：
$$confidence=Pr(obj)\ast Io{U}_{truth}^{pred}$$
IoU是交并比，即真实框和预测框的比值。
Pr(obj)是一个格子中是否有物体的概率，有物体为1，没有为0。

b. loss

损失函数一共分5项：

$1_{ij}^{obj}$表示这个格子是否有物体，如果有值为1，否则为0。
$1_{ij}^{nobj}$相反。
当一个格子有物体时，计算1、2、3、5项
当一个格子没有物体时，计算第4项。

$${\lambda }_{coord}=5$$

$${\lambda }_{nobj}=0.5$$

放大第1、2项，缩小第4项。

参考

[1] https://zhuanlan.zhihu.com/p/94986199
[2] https://zhuanlan.zhihu.com/p/297965943
[3] https://bbs.huaweicloud.com/blogs/297764
[4] https://blog.csdn.net/weixin_43702653/article/details/123959840?spm=1001.2014.3001.5501#t0
[5] https://muyuuuu.github.io/2021/08/26/yolo-v1/
[6] https://www.cnblogs.com/ywheunji/p/10808989.html