YOLOv1训练阶段

YOLOv1在训练时，权重朝着什么方向更新呢？
上篇文章提到每个grid cell能预测两个bounding box，那么，训练的目的其实是使标签中画出的标准框所属的grid cell，这个grid cell能预测出两个bounding box，我们选择一个和标准框IOU大的bounding box，使它朝着和标准框重合的方向更新梯度，另一个IOU小的bounding box我们使它的置信度尽量小，从而在预测时更容易被淘汰

YOLOv1损失函数如下：

yolox训练visdronemap很低 yolov1训练过程_计算机视觉

坐标损失： 包含2项

  1. 负责检测物体的bounding box的中心点坐标定位损失：即负责检测物体的那个框 和 标签中的标准框，这两个框的中心点坐标误差
  2. 负责检测物体的bounding box的宽高损失：即负责检测物体的那个框 和 标签中的标准框，这两个框的宽、高的误差。
    这里需要注意的是，为什么同样都是回归误差，宽高损失里面会有根号？这是因为加上根号会使得小框对误差更敏感，同样的偏差之下，小框的损失会更大，大框造成的损失会更小

有了这两部分损失，预测出的bounding box就会逐步朝着和标准框重合的方向回归、逼近

置信度损失：包含2项

  1. 负责检测物体的bounding box的置信度损失：这里的标签值是预测框和标准框的IOU
  2. 不负责检测物体的bounding box的置信度损失：这里标签值是0，目的是使不负责检测物体的框的置信度越来越小，这样在预测阶段更容易被淘汰

网络预测类别损失：即负责预测物体的grid cell的分类误差，这里和一般的神经网络分类问题的回归损失函数类似

有几个点需要说明：

一、

yolox训练visdronemap很低 yolov1训练过程_人工智能_02


一般赋予较大的值，其存在的意义在于将那些负责预测物体的bounding box的坐标、宽高赋予更大的权重

二、（这里感谢B站up主@同济子豪兄）

yolox训练visdronemap很低 yolov1训练过程_目标检测_03