YOLOv1的检测原理是什么

问题1：YOLOv1的检测原理是什么？

      将图片分成S×S（论文中是7×7）的网格（grid），每一个具体的网格块（grid cell）就负责检测一个物体（object），所以YOLOv1在每张图片中最多能检测到S×S（论文中是49）个物体。对于大多数图片来说，这已经足够，通常在一张图片中能够有10个以上的主要目标就已经不常见了，但对于比较密集的人群或畜群来说，YOLOv1的检测能力就比较差。

      每个网格块（grid cell）都对物体预测了B（论文中是2）个矩形边框（bounding boxes），这个边框的大小是可以超出当前网格范围的，而且大部分情况下都是这样。对于每个边框都预测了（predictions）5个参数，分别是x，y，w，h，confidence.

      其中，（x，y，w，h）决定边框在图片中的位置，（x，y）表示边框的中心位置坐标，（w，h）则表示边框的宽度和高度，这4个参数值一旦确定，就可以在图中唯一地画出一个边框。confidence则是对每个边框预测的一个置信度分数（scores），代表这个边框预测的准确程度。

     对于confidence参数的含义，原文表述如下：These confidence scores reflect how confident the model is that the box contains an object and also how accurate it thinks the box is that it predicts.

       从图中看起来就会发现，有一些预测的边框比较细，另外一些则比较粗，但其实每一个边框的粗细都是一样的，出现这种情况的原因就是有多个网格块都预测到了这个物体，预测的边框重合之后看起来就比较粗。      

目标检测的任务分为两块，定位（在哪儿）与识别（是什么）。边框的预测只是解决了定位的问题，还需要对物体进行识别，也就是分类。

       YOLOv1采用的数据集为PASCAL VOC，这个数据集中一共有20个类别的物体，YOLOv1对每个类别都预测了一个条件概率（conditional class probabilities），一共有C（论文中为20，因为数据集有20个类别）个参数值，也就是在检测到物体的情况下，这个物体是数据集中每一个类别的概率为多大。

上图中一共有5种不同的颜色，代表一个预测到了5个不同的类别，相同的颜色代表一个类别。    

综上，对于每一个网格块（grid cell），YOLOv1的输出是S×S×（B*5+C）个张量（tensor），论文中的输出就是7×7×30的张 量。

YOLOv1的网络结构

 

网络的输入是448×448×3的彩色图片，输出就是7×7×30的张量

 

YOLOv1的检测结果如下：