目录
一、YOLO介绍
二、YOLOv1的结构
三、YOLOV1原理
（一）基本核心思想
（二）网络结构
（三）输出7x7的理解
（四）输出维度30的理解
（五）一次预测98个框
（六）对98个预测框处理
（七）回归坐标xywh
（八）训练样本标签
四、总结
一、YOLO介绍
YOLO的全称叫做“You Only Look Once”，简单来说，YOLO可以做到将一张图片输入，直接输出最终结果，包括框和框内物体的名称及score(得分)。
相比RCNN系列的算法（提取候选框+分类回归），YOLO仅仅一个网络就能完成检测框和分类任务，所以说它是单阶段目标检测算法；
YOLO主要特点是：
- 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。
- 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。
- 泛化能力强。
二、YOLOv1的结构
YOLO V1是单阶段one stage体系开创者，一次卷积可得结果。
如下：
YOLOv1是端到端进行训练，因此YOLOv1只有一条单一的网络分支。
步骤：
- 输入图像（固定大小到448x448）到卷积神经网络，得到特征图；
- 经过全连接网络，然后分类和回归；输出包含分类信息、置信度、坐标等信息；
- 使用NMS方法筛选获得结果。
三、YOLOV1原理
（一）基本核心思想
如下图：
- 首先将原图像分成S x S grid；在论文里S=7，即将图像分为7 x 7 grid；
- 每个grid cell都会预测B个Bounding Box 去进行物体的框定和分类；在论文里B=2，那么一图像预测7x7x2=98个预测框；
- 每个预测框包含有4个边框的值和1个的置信度，如：(x，y，w，h，confidence)；
- 预测出来相同物体有重复的边框，利用NMS (非极大值抑制) 算法得到最后的final detections。
（二）网络结构
如下图：
输入图像为448x448，输出特征图大小为7x7x30；
（三）输出7x7的理解
特征图7x7映射至原图，即图像被分成7×7个网格(grid cell)；映射关系如下图：
如果GT物体的中心落在某个网格中，则这个网格就负责预测这个物体；
（四）输出维度30的理解
（1）每个网格使用B（B=2)个Bbox进行回归预测，共产生5个值；
A.置信度confidence，包含物体的可能性大小；
B.回归坐标(x,y,w,h)；
（2）每个网格还要预测C个类别概率，以判断当前cell属于哪个类别C；因此1个网格的输出维度是(5×B+C)，S×S个网格就输出就是S × S×(5×B+C)。
论文：B=2,VOC有20个类别，那么网络输出维度就是5x2+20=30。
（五）一次预测98个框
如下图：
（1）图像被划分成7×7，可知产生的特征图大小为7×7，因此S=7；
（2）真实的人物体中心落在黄色网格，使用黄色网格预测分类人；黄色网格产生了2个蓝色的Bbox用来回归预测，因此B=2；
（3）每个Bbox的检测结果会包含有关人的置信度和回归坐标信息；
（4）黄色网格会使用softmax进行分类预测，如果使用VOC数据集C=20。
最终，根据公式可得输出维度5×B+C=30，即输出特征图7×7×30；预测框的个数7×7×2=98。
（六）对98个预测框处理
使用NMS算法对预测框进行处理，最后保留最优的预测框：
（七）回归坐标xywh
如下图：
实际Bbox框的预测结果包含(xc， yc ，wbox，ℎbox)：
- xc是预测框的中心点相对于原图的横坐标；
- yc是预测框的中心点相对于原图的纵坐标；
- wbox是预测框的宽度；
- ℎbox是预测框的高度。
回归坐标的目的是将坐标映射到0-1之间，方便计算损失；有如下要求
- x，y是相对于当前网格的偏移值，范围是0~1；
- w，h是归一化（分别除以图像的W和H）的结果，范围是0~1；
（八）训练样本标签
训练样本的标签理解：
四、总结
Yolov1是单目标检测的开创者，相比较RCNN等两阶段系列，预测速度上有天然的优势，就是检测速度快。但是也存在许多缺点：
- YOLO对相互靠的很近的物体，还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
- 对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。
- 由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。
