理解与总结:YOLOv1中候选框(Bounding Box或者Predict Box)——纯文字真的很干

各位CV伙伴估计已经看了很多网上许多关于YOLO1的博客，在这里我推荐路过的朋友可以参考以下链接，有一定基础再来看我的这个博客。因为我参考了前人的知识再做的总结，有些小的基础的概念没有详细解释。

参考链接：https://www.jianshu.com/p/cad68ca85e27

【YOLOv1中的B-BOX理解】
1.RCNN提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别。先找到，后分类。
2.将候选区和对象识别这两个阶段合二为一，同时找到并分类。
3.YOLO中的候选区本质：
采用了预定义的候选区（准确点说应该是预测区，因为并不是Faster RCNN所采用的Anchor）。也就是将图片划分为 7*7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49*2=98 个bounding box。可以理解为98个候选区，它们很粗略的覆盖了图片的整个区域。
与RCNN候选区的差异：
YOLO中候选区的数量确定，且远小于2000（因为都要回归边框，核心思想认为只需粗略找到目标）；每组（2个）候选区的中心点确定；训练时匹配的B-BOX
确定（计算与T-BOX的IoU，取最大的predict box）。
4.网络结构：
基于GoogleNet前20层进行预训练，得到分类网络；
最后加了两层全连接；
最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。
5.网络输入与输出的映射关系：
输入：448*448*3
输出：7*7*30
6.易混淆概念：
网络结构：全链接层前的7*7*1024和输入有感受野上的对应关系，7*7中的每一个tensor编码了输入图像中1个cell的信息；通过正反2次全连接，将7*7*1024的信息编码到7*7*30的每1个tensor中。
网络参数：7*7*30的每1个tensor=（1+4）+（1+4）+20；每个1+4中编码信息的作用，4表示以原图中该cell为主观测区，可能存在物体的box,1表示该box可能是物体的置信度得分（和T-box计算IoU）；20表示原图中该cell对应的IoU较大的predict box可能是每一类物体的得分。

7.最近(2020.12.01)在看YOLO 2和3，等我梳理好了三者对于anchor（YOLOv1中还不能叫anchor，暂且这么提）的改进，后续再对比Faster-RCNN和SSD中anchor的设置方式。

总结：YOLO并没有预先设置2个bounding box的大小和形状，也没有对每个bounding box分别输出一个对象的预测。它的意思仅仅是对一个对象预测出2个bounding box，选择预测得相对比较准的那个。这里采用2个bounding box，有点不完全算监督算法，而是像进化算法。如果是监督算法，我们需要事先根据样本就能给出一个正确的bounding box作为回归的目标。但YOLO的2个bounding box事先并不知道会在什么位置，只有经过前向计算，网络会输出2个bounding box，这两个bounding box与样本中对象实际的bounding box计算IOU。这时才能确定，IOU值大的那个bounding box，作为负责预测该对象的bounding box。
训练开始阶段，网络预测的bounding box可能都是乱来的，但总是选择IOU相对好一些的那个，随着训练的进行，每个bounding box会逐渐擅长对某些情况的预测（可能是对象大小、宽高比、不同类型的对象等）。所以，这是一种进化或者非监督学习的思想。

写在后面：如果想了解候选区域的生成，可以参考链接：https://blog.csdn.net/m0_37970224/article/details/85238603。前人的工作很好，不过筛选也很累，大家看了如果有用，记得回来给我点个赞呀~

有错欢迎指正，或者一起讨论