# YOLO 系列

YOLO（You Only Look Once）

# YOLOv1

输入是 448x448x3，最终输出是 7x7x30。对应原始图片对应区域的结果。就是所谓的将原始图片划分为 7x7 个小方格大小的图片。

其实这是一种一一映射 7x7 这样的小方格，7×7 个 cell，每个 cell 负责 “这个 cell 中心落在这里的目标” 的检测任务。

# x, y, w, h

x,y 是中心点坐标，w,h 是预测框的宽和高。

每个 bounding box 的 5 个参数：x,y,w,h,confidence,

x,y：框中心相对于当前 cell 的坐标（一般在 0～1）

w,h：框的宽高（通常相对于整张图像归一化）

confidence：这个框中有物体的置信度 × 该框与真实框的 IoU

每个 cell 的输出维度 = B×5+C

B×5+C=2×5+20=10+20=30

# 置信度

公式就是：

$$\text{IoU} = \frac{\text{Intersection Area}}{\text{Union Area}}$$

• Intersection Area：两个框相交的那一块区域的面积（交集）
• Union Area：两个框合起来覆盖住的总面积（并集）

这里所说的物体真实的 box 实际是不存在的，这只是模型表达自己框出了物体的自信程度。因此此时置信度的公式为:

$$C=Pr(Object)*IoU_{pred}^{truth}$$

# NMS 非极大值抑制

想象一群候选框在参加选秀，规则如下：

排序：把所有候选框按置信度从高到低排好队。

选冠军：把得分最高的框拿出来，确定它就是一个检测结果。

剔除跟风者：

• 计算剩余所有框与这个 “冠军框” 的重合度（IOU）。
• 如果某个框与冠军框的 IOU 超过了预设的阈值，说明它们在预测同一个物体。
• 由于它的得分没冠军高，这个 “跟风框” 就会被直接踢出局（删除）。

循环：在剩下的框里继续找得分最高的，重复上述过程，直到所有框都被处理完。

# YOLOV1 损失函数

损失函数为：

# YOLOV1 总结

YOLO 非常快，因为将物体检测定义为回归问题，所以检测也不需要复杂组件。

YOLO 基于全图进行检测，所以不像晃动窗口和预选区技术，YOLO 中隐含着隐式编码的上下文信息。

YOLOv1 的准确率不够高，YOLO 在定位小物体上表现偏差，可以检测到的目标物体较少。

以上缺点将会在下面持续改进。

# 参考

1. 【YOLOv1、YOLOv2、YOLOv3 目标检测算法原理与实战】https://www.bilibili.com/video/BV1WT421r72w