目录
YOLO：You Only Look Once.把检测问题转换成了回归问题。
一、网络特征
（1）典型的one-stage目标检测方法，运行速度快，可做到实时监测；
（2）直接对输入图预测出目标框位置(x,y,w,h)，置信度（conf）；
（3）将图像分为网格，每个网格对图像内容进行检测，预测边界框和类别。
二、网络结构
2.1网络结构图
2.2网络结构说明
（1）输入层：输入图像大小448*448大小三通道的图像（或者可以理解为输入一个448行448列，每列中3个数字的数组）；
（2）卷积层（特征提取）：卷积层的尺寸为7*7，输出通道为64，步长为2（其他类似）；
（3）池化层（降低特征图空间维度--减少计算量）：每个2*2区域取最大值进行池化，将特征图的高度和宽度均减半；
（4）全连接层：将卷积层和池化层提取的特征进行整合，并将其映射到输出空间；
（4）输出层：4096表示神经元个数，负责最后的分类和目标框回归。30表示两个目标框的位置信息和置信度以及20个类别的概率值。
三、核心思想
3.1候选框策略
（1）网格划分，将输入图像划分成S*S的网格；
（2）每个网格预测两个边界框；
（3）每个网格预测X类类别概率，这里的X是要按照具体的数据集而定，就是类别个数。
3.2预测流程
以下图为例：
对本图进行目标检测的预测流程如下：
（1）为图片划分网格grid，本图是7*7=49个网格；
（2）目标中心落在哪个网格中，就由哪个网格负责预测边界框；
（3）每个网格预测两个边界框；
（4）每个网格预测X个类别概率，这里的值是概率值，并不是具体的分类，但是他们能够代表分类。
注意：目标的中心点 主要是指 真实目标的中心点。根据真实的数据信息预测边界框的位置。
3.3网络结构与预测
解释：
（1）7*7表示网格数；
（2）30表示2*（4+1）+20，这里的2是边界框（候选框），4是（x,y,w,h），1是confidence置信度，20指的是20个分类；
（3）网络的最终输出是一个 7×7×30 的张量，表示每个网格的预测结果。这些预测包括每个网格内可能出现的目标的 边界框 和 类别概率。
四、损失函数
4.1损失组成
整个损失函数由三部分组成：坐标损失、置信度损失、网格预测类别损失。
4.2损失公式
整个损失函数比较长，由三部分组成，用加好连接：
4.3解释
（Xi，Yi，Wi，Hi）、Ci、Pi表示的是真实的目标位置信息、置信度信息、分类概率信息；
带了^的，都是模型预测出来的数据结果。
为什么W，H要带根号？
平方根的使用是为了让 宽度 (W) 和 高度 (H) 的回归更加稳定，避免大目标和小目标之间的差异影响训练效果，从而提高模型的学习能力和精度。
λ是调整因子，用来控制不同部分损失的相对重要性。
五、NMS处理
就是非极大值抑制处理，让同一个目标的目标框只保留一个，置信度最大的候选框添加到输出列表，其他候选框与输出列表的候选框做计算，大于阈值IoU的会被去掉。
六、特点总结
优点：
（1）计算速度快，计算简单；
（2）背景误检率低，避免产生背景错误。
缺点：
（1）定位精度低：分类结果是正确的，但是边界框画的不准确；
（2）每一个网格单元只能预测一个类别；
（3）小物体检测效果一般。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
