YOLOv1（预测过程）

YOLOv1（预测过程）

输入：448 * 448 * 3图像

输出：7 * 7 * 30 张量

具体步骤：

输入：

一、图向分为7 * 7网格，每个小格称为一个grid cell

二、每个grid cell 能预测出如下：

1. 2个bounding box，即2个预测框，这B个预测框的中心点都落在生成这个预测框的grid cell里（所以每张图片会生成7 * 7 * 2 = 98个bounding box）
2. 对应每种类别的条件概率，即在这个grid cell生成的bounding box框住的是一个物体的前提下，这个物体对应每种类别的条件概率

三、每个bounding box包含如下参数：

1. 置信度（即这个框框住的是一个完整物体的概率，置信度越大，证明框住的是一个物体的概率越大）
2. 框的左上角X、Y坐标
3. 框的长宽，即Height和Width

这样的话用上面提到的置信度 * 每种类别的条件概率，即可得到每个bounding box对应各个类别的概率。

• 1号图中显示图片被分为7 * 7 = 49个grid cell
• 2号图中显示每个grid cell生成2个bounding box（预测框），一共98个bounding box，框的粗细代表置信度大小，框越粗代表框住的是一个完整物体的概率越大
• 3号图中用不同颜色表示每个grid cell所预测的物体最可能属于分类，如蓝色的grid cell生成的最可能bounding box最可能框住的是狗、黄色的grid cell最可能预测自行车…
• 4号图为最终输出的显示效果

输出：

最终输出7 * 7 * 30的张量：7 * 7对应的是每张图片会分割成7 * 7 = 49个grid cell，那么每个grid cell对应输出即为一个1 * 1 * 30的张量

30维向量输出的是什么？

1. 前10维分为2部分，每部分5维，分别对应这个grid cell生成的2个bounding box各自的5个参数（左上角X、Y坐标、Height和Width、置信度）
2. 后20维是上面提到的该grid cell生成的 每种类别的条件概率

如图：

每个grid cell只能预测出一个物体（即计算后对应概率最高的类别物体），也就说明了yolov1中一张图片最多只能预测出49个物体，这也是yolov1的缺点所在，即小目标、密集目标识别性能差

简答来说就是一张图片分成49个小格，每个小格能生成2个不一样的框，最终在2个框中选择一个框住一个完整物体可能性最大的框，并预测出框住的物体的最大可能类别，最终在得出的49个框中选择概率最高的几个框画出在图片上，作为最终显示出来的识别效果。

后处理：

主要是用于过滤掉低置信度的框，并且把重复的框去掉，只保留一个，从而得出最终的检测结果。

上面提到卷积神经网络最终会输出7 * 7 * 30维的张量，其中包括每个grid cell对应每种类别的条件概率，那么用每个grid cell所生成的2个bounding box的置信度分别乘以该grid cell对应20个类别的条件概率，即可得到全部98个bounding box对应20个类别的全概率，相当于98个1 * 20的张量。

如图：

每个bounding box选择对应全概率最高的那个类别作为最终分类，可视化出来如下：

其中不同的颜色代表不同的分类，框的粗细代表bounding box的置信度

那么怎么选择最合适的框输出呢？

还得拿上面提到的98个1 * 20的张量做文章。

假设这98个张量的1号位置的元素是表示物体是“狗”的概率，那么针对“狗”这个类别，需要做三件事：

1. 设置一个概率值p，将98个张量的1号位置小于p的全部置0（假如p = 0.2，则将是狗的概率<0.2的这些概率全部置0），相当于认为这些框识别出来的分类不可能是“狗”了
2. 将这98个张量按照1号元素的大小（是“狗”的概率）依次排序
3. 进行非极大值抑制（Non-Maximum Suppression）

什么是非极大值抑制？

主要目的是去掉重复预测同一个物体的框，只保留最优的那个框

上面我们已经得到按照”狗“的概率大小排好序的98个张量，接下来操作如下：

1. 将排在第一名的最大的那个概率对应的bounding box拿出来，依次和后面的概率对应的框做对比，比什么？比IOU（交并比，可以理解为体现两个框重合部分大小的一个量）
2. 设置一个值i,如果两个框的IOU>i，则说明这两个框重合度很高，我们认为这两个框预测的是同一个物体，那么这两个框最终只能留一个，我们选择概率大的框留下，将概率小的框对应的概率值置0（淘汰）

如图：

橙色和绿色的框IOU太大，把概率较小的绿框淘汰

3. 将第一名跟后面比较完一遍，再将概率第二高的框（图中是0.2）按相同的规则依次和后面比，以此类推…
4. 有上面3个步骤我们将1号位置：“狗”的分类情况过滤完成，后面要做的就是将剩余19个分类按照和以上3个步骤相同的方式完成。

最终，经过层层筛选，不断置0，淘汰，有一些框凭借优秀的精准度存活了下来，将最终留下的概率非0的框及所对应的类别画在图上，即得出最终的目标检测结果。

如图：