目标检测进阶二(Yolo算法)

假设你的输入图像是100✖100的，然后再图像上放一个网格。为了简单这里放置了3✖3的网格（实际实现时会更加精细）。YOLO算法基本思路是：使用图像分类和定位算法（之前博客中介绍过），然后将算法应用到9个格子上。

更具体一点，需要这样定义训练标签，对于9个格子中的每一个，指定一个标签y，y是8维向量，即Pc=0或1，表示格子中是否有图像，然后bx，by，bh，bw去表示（如果那个格子中有对象）边界框坐标，再就是c1，c2，c3表示你想要识别的三个类别。所以图里有9个格子，每个格子都对应这样的y。

这张图有两个对象，Yolo算法的做法是取两个对象的中点，然后将这个对象分配给包含对象中点的格子。所以左边的汽车就分配到对应的格子上，右边的车就分配到黄色的格子中。

所以即使中心格子同时有两车的一部分，我们假设中心格子没有任何我们感兴趣的对象，所以对于中心格子分类标签y就和没有对象的向量类似即Pc=0。而对于绿色格子，它的y中Pc=1，然后写出bx，by，bh，bw来制定边界框位置，然后c1，c2，c3来指定汽车。对于9个格子中任何一个，你都会得到一个8维输出向量，总的输出维度为3✖3✖8.
这个算法的优点在于，可以输出精确的边界框，并且它是个卷积过程，实际上它的运行速度非常快，可以达到实时识别。
还有一个小的细节，如何编码这些bx，by，bh，bw。我们以图片中右边的车为例，橙色格子里有一个对象，所以Pc=1。

再YOLO算法中，对于这个方框我们约定坐上这个点是（0，0），右下这个点是（1，1）.，要指定橙色中点的位置，bx大概是0.4，by=0.3，bw应该0.9，bh=0.5。它们的单位是相对格子尺度的比例。bx，by在0-1之间，而bh，bw可能会大于1，因为对象尺寸可能超过格子即一个对象占据几个格子。

为了更好的理解YOLO算法，这里我们介绍交并比函数（iou）可以用来评价对象检测算法。在目标检测任务中，我们希望能够同时定位对象，那么图中紫色方框结果是好还是坏？

交并比（iou）函数做的是计算两个边界框交集和并集之比，并集是绿色阴影，交集是橙色阴影。那么交并比就是计算交集的大小除以并集面积。一般约定，在计算检测任务中，IOU大于等于0.5，就说检测正确。

如果预测和实际边界框完美重叠，IOU=1。所以这是衡量定位精确度的一种方式。

你的算法可能对同一个对象做出多次检测，非最大值抑制可以确保算法对每个对象只检测一次。

假设你需要在这张图中检测行人和汽车，你可以在上面放19✖19网格，理论上这个车辆只有一个中点，所以它应该只分配到一个格子里。实践中当你跑算法时，每个格子都跑一次，对应的格子可能都会认为中点在它的内部。

因为你要在19✖19个格子上都跑一次算法，那么可能很多格子都会举手说我的Pc，我这个格子里有车的概率很高，而不是361个格子中仅有两个格子，最后可能会对同一个对象做出多次检测。

所以非最大值抑制就是清理这些检测结果，这样一辆车只检测一次。，首先看看每个检测结果相关的概率Pc，看概率最大的那个，这个例子中是0.9即最可靠的检测，我们把它表示出来，然后非最大值抑制就会逐一审视剩下的矩形，那么这些输出就会被抑制。非最大值抑制即只输出概率最大的分类结果。

目前为止，每个格子只能检测出一个对象，如果想让一个格子检测出多个对象，这时我们就要用到Anchor boxes的概念。

对于这个例子，我们继续使用3✖3网格，注意行人的中点和汽车的中点几乎在同一个地方。对于这个格子输出的y，它的c1，c2，c3就不能确定了，因为它同时存在两个对象。anchor box的思路是这样的，预先定义两个不同形状的anchor box。

我们把预测结果和这两个anchor box关联气来，所以输出y要改变成16维，首先是和anchor box1关联的8个输出参数（Pc，bx，by，bw，bh，c1，c2，c3）然后和anchor box2关联的8个输出参数与1相同。因为行人的形状更类似于anchor box1的形状，所以可以用前8个参数来描述人，而车更类似于anchor box2，可以用后8个参数来描述车。

最后用一个例子来总结Yolo算法，如图，我们采用3✖3网格以及两个anchor box。那么对于9个格子，每个格子都会有两个边界框。

接下来你放弃概率低的预测，去掉这些连神经网络都认为没有对象的边界框。
最后，如果你有三个对象检测类别，那么分别对每个类别采用非最大值抑制，运行三次得到最终预测结果。