Yolov5目标检测的基本思想

yolo在目标检测的过程当中，将输入的特征图划分为S×S的格子，每个格子对落入其中的目标进行检测，一次性预测所有格子当中所含目标的边界框，定位置信度，以及所有类别的概率。

大概的过程就是先图像预处理（对图像进行改变大小，增强等操作）--> 卷积网络 --> 后处理（一般是非极大抑制），然后就可以在图像中检测出物体。在原论文的例子当中是检测出了，person，dog，horse。并且给出了置信度

 

上图的过程，也就是检测的过程：

1.划分的S×S的格子

2.得到物体的Bounding boxes边界框 和 置信度， 以及Class probability map类别的概率图

3.结合第二步的两者，我们可以得到最终的结果

这里要插一嘴，在最终的yolov5预测结果 P 的格式是这样的（不同版本可能顺序不一样，但是思路是没变的）

从上面的检测过程我们可以看出来，我们不仅仅要预测物体的类别，还要预测物体在图像中的位置，以及置信度。

假设有10个种类的物体，那么上图中的Class Sorces就是10

每个物体在图像中位置的表示方式为，物体左上角点坐标加上对应的长宽。                                           tx-左上角点x坐标         ty-左上角点y坐标         tw-物体的宽          th-物体的高

置信度 Po

这里最后的B，指的是有多少个不同尺度的边界框的预测。这里多尺度的问题，其实也就是沿用了Fast-Rcnn中的，FPN的方法（多尺度融合），利用特征金字塔网络，在不同尺度输出不同大小的特征，更好的将特征提取出来。来应对不同大小的输入图片，在大图像-小目标的情况下，提高预测的正确率

yolo中依旧沿用了Anchor 锚框机制，在同一尺度下，预设多个不同大小的矩形框，对目标特征进行训练和估计。

 在yolov3/v4当中，当图片输入到网络中，在不同的尺度下画完了格子，被检测物体的中心点，落在哪个尺度的格子当中，那么就由哪个尺度来预测。每次匹配的锚框都是3个

但在yolov5中就不一样，可以实现跨层预测，即每一个尺度都可以参与预测，被检测物体在每一层都算正样本，这时每次匹配的锚框就是3-9个

上文中提到的置信度得分公式：

总置信度 = 定位置信度 × 类别置信度

损失函数计算公式：

总损失 = 分类损失 + 定位损失（预测边界框和真实位置之间的误差）+ 置信度损失