YOLO V1（2015）阅读笔记1设计思路

 

这是YOLO训练时的运作过程：首先我们先设定，现在可识别的类别数量是C。

 

输入图像之后。像左边这样，图像被分成S*S大小的grid cell，对于每个cell呢，如果obj的中心点落在grid cell中。这个cell就负责检测这个obj。

 

 

每个cell都会预测B个BoundingBox，如中间上左图，注意了，box是可以超过cell的范围的。每个boundingbox呢，都会有5个参数，分别是：这个box的置信度confidence，（置信度的计算我们可以看到下图：

 

 

（confidence、IoU解释）

 

 

左边Pr（Object）是这个boundingbox含有obj的概率，而右边IOU得分则是booudingbox和groundTurth的交并比，字面意思，也就是两部分交集和并集的比。其中的groundTruth是我们训练集中的标注出的真实box。

 

 

）

以及box的中心点坐标x、y，box的宽高width、height。

另外，，每个cell都会预测C个类别的概率，这个概率计算的前提条件是这个cell有object。并且，这个条件类别概率和boundingbox的置信度confidence是不相关的。并且，无论cell会生成多少个boundingbox，每个grid cell也只负责一个obj。进行一组条件类别概率预测。这就对应的是中下图的class probability map。

接着，YOLO会对这些boundingbox进行非最大值抑制算法（NMS），这个算法我们可以看到下图

 

 

 

NMS解释）

刚才对grid cell进行来条件类别概率的计算，就算cell没有obj也没关系，继续算，反正confidence=0，对结果没影响。

得到了这两个之后，我们可以计算一个分数来衡量“boundingbox含有某个类的物体的概率以及box的精准度”

 

基于这个分数，我们对其进行not-maximum suppression非极大值抑制，具体的运作过程就是，先遍历所有的box，挑选出得分最高的box，接着设立一个阈值，当其他box与这个挑选出来的框的IOU超过这个阈值，也就是说明他们极有可能预测的是同一个object时，删除掉这些box。接着我们继续在未处理过的box中重复上述过程。最后我们得到的结果就是每个obj都由得分最高的box框出。

 

【question：删除了，那为什么结果还是S*S的tensor？此处指的“删除”是以何种方式】

 【置信度=0】

 

 

。那么可以看见，最终的结果是输出一个S*S*（B*5+C）的向量，就像这样

 

 

 

->输出S*S*（B*5+C）的向量；

 

综上所述： 

 

【在PASCAL VOC数据集上进行YOLO训练测试，使用参数S=7，B=2，VOC有20个label因此C=20，我们最后的预测结果是7*7*（2*5+20）的向量】