- 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
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：
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
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：
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：
表示这个格子是否有物体，如果有值为1，否则为0。
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。
