YOLOv1学习笔记

YOLOv1

论文：You Only Look Once

思想：

1. 将一幅图像分成S*S个网格，如果某个object(bounding box)的中心落在这个网格中，则这个网格就负责预测这个object

2. 每个网格要预测B个bounding box(因为每个网格中可能存在多个object)，每个bounding box除了要预测位置之外，还要附带预测一个confidence值，每个网格还要预测c个类别的分数

   例如：

   • 将图像分成7 * 7个网格，每个网格预测2个bounding box，总共20个类别，则最终的预测是7 * 7 *30个tensor(张量)
   • 其中30的由来：
     • 每个网格需要预测两个bounding box，则需要两个bounding box的坐标值(x,y,w,h)，然后每个bounding box还需要有各自的一个confidence值，再加上总共有20个类别，所以每个网格总共有：4+4+1+1+20=30个tensor(张量)
     • 
     • 其中(x,y)为预测目标边界框的中心坐标(相对于网格)，即横纵坐标轴为中心所在网格的长和宽，范围在(0,1)
     • 其中(w,h)为预测目标的高和宽(相对于整个图像而言)，范围在(0,1)
     • 其中confidence为Pr(Objcet) * IOU，其中IOU为预测的目标目标边界框与所对应的真实目标边界框的交并比，Pr(Objcet)的值只能为0(网格中没有目标落入)或者1(网格中有目标落入)

3. 最终给出的类别概率分数为：

网络结构：

此时可以发现，最终得到的是一个图片大小为7 * 7 深度为30的图像，在YOLOv1论文中，作者把图像分成7 * 7个网格，张量为30(4+1+4+1+20)，(每个网格有两个bounding box，每个bounding box有(x,y,w,h,confidence)5个张量，总共有20个类别)