YOLO系列-yolov1

网络架构

首先第一步拿到448*448*3的固定图片大小，固定值不代表只能检测固定大小的东西，固定值的意思只是把图片resize到固定值，图片里面的物体的坐标都会做相应的改变，还是可以映射到原始的输入数据当中。但是由于训练只训练了一个448*448*3的图片，这也是yolov1版本的局限，输入图片大小被限制住了，在后续的改进版本中可以把输入图片的大小做一些改变。yolov1有全连接层，所以必须做一个限制。
对输入数据做一个卷积操作，得到一个7*7*1024的特征图，第一个全连接转换成4092的特征，第二个全连接是1470，在reshape成7*7*30，表示把数据变成7*7的格子，每个格子要预测出30个值，因为yolov1在预测出两个框，假设第一个框坐标值是：B1:x1,y1,w1,h1。这里的坐标整个图片坐标的相对值，而不是绝对值，第二个框是：B2:x2,y2,w2,h2。对于每个框都需要判断一下是不是物体，其中每个框还有置信度C，第一个框是C1，第二个是C2。每个C大小是5，两个C大小是10，剩下20表示预测的类别概率，假设当前数据集有20个类别，则20表示每个位置是每个类别的概率值。简单来说就说20分类。

损失函数

位置误差

这个公式的意思表示我当前这个框有S*S个网格要去计算每个网格，对于其中每一个格子都有两种框，取这两个框中置信度最大的一个，我们在上一步预测的x,y,w,h肯定会与真实值之间有差异，这里就需要一个损失函数，去最小化我的预测值与真实值之间的误差，这个损失函数也叫位置误差。然后算x,y真实值和预测值的差异，w,h也做同样的差异计算，但是不同的是w,h这里有个根号计算，这里是因为有些物体会比较大，有些会比较小，我们应该更注重w,h比较小的，因为根号x相对来说对比较小的数比较敏感，对较大的数敏感程度稍微差点。这里只是做了一点点改进。前面的系数表示权重项。

置信度误差

置信度需要分类考虑，因为在图像中有些地方是前景，有些地方是背景，在一个图像中一般背景会比较多。在做置信度的时候得分类来讨论，一种情况下预测的是前景，一种情况预测的是背景，我希望背景的时候置信度真实值为0，前景的时候置信度真实值是1，对每一个候选框都要去做这一个值，一旦这个候选框跟真实值的IOU大于0.5，这个0.5是可以自己设置的阈值，大于0.5的时候我认为它预测的可能是个前景，所以我希望当前这个框的置信度是1（越接近1越好）。跟真实框一般重叠的不止一个，我们只选IOU最大的那个来计算，IOU小的那个就不要。小于0.5的时候，这个时候就是背景就让它置信度等于0。

含有物体的置信度差异

置信度误差中计算置信度（就是实际预测的结果）和我的真实值（实际的IOU，而且IOU大于0.5才满足要求）之间的差异

不含物体的置信度差异

加了一个权重参数，在整个图片中背景会非常多，前景比较少，这样会导致样本不均匀，如果损失函数中不加这个权重项，那么可能大部分损失都由背景影响了，我们得让损失函数知道前景是更重要的，背景不是那么重要。

分类误差

这里和分类任务中的损失函数差不多，假设这里是预测是狗的概率，这里计算预测是狗的概率和真实是狗的概率算交叉熵。

NMS（非极大值抑制）

在预测框的时候，可能会检测许多框都是重叠的，在IOU满足一定值的时候先按照置信度进行排序，取置信度最大的拿出来，其他的不要

yolov1的问题

1.在图片中当前点只会预测一个类别，这样重合在一起的东西会很难检测（重叠的东西不好做预测）
2.小物体检测效果一般，长宽比可选但是比较单一。