翻了翻之前的文件夾，找到這個之前整理的YOLO理解文檔，在此基礎(chǔ)上，做了一些修改，特做更新。

我相信很多同學在理解YOLO的時候是有很多疑惑的，尤其是1個cell,兩個 bounding box，20個類別，簡直頭大。這篇文章帶你來理解，如果有錯誤，不吝賜教。

相比于RCNN系列的算法，YOLO將分類問題轉(zhuǎn)換為回歸問題。關(guān)于RCNN系列，會在后面更新，請不要捉急。

既然是回歸問題，就要用回歸的思維來看待。什么意思呢？比如說，我們預測2019年12月的房價，它是有很多因素共同起作用，每個因素可以看作x，有了歷史數(shù)據(jù)，假設(shè)房價是線性變化，那么我們只需要求得系數(shù)，就可把12月的x帶進去，就得到了房價。整么來理解YOLO呢？

首先，圖像就是輸入，如果把圖像分成塊的話，每個塊就是x，現(xiàn)在有很多這樣的圖像，那么只需要求得一組系數(shù)，對于新來的一幅圖x’，就可以把x’帶進去，就知道這個塊或這幅圖是什么東西。那么這個系數(shù)就可以看作是bounding box（就是把目標框住的那個框框）。雖然每個塊只需要一個bounding box，但是，這個bounding box到底長什么樣，我們不知道。與其這樣，倒不如1個cell里面多高幾個bounding box，那個好就用那個，反正，最后我只用其中一個就行了。開始的時候，我們并不知道bounding box的形狀，只知道有幾個。怎么辦呢，別捉急。讓CNN去學習吧。我們有幾千萬的訓練集，還怕啥。我想這應(yīng)該就是YOLO的核心思想了。我想，稍微分析下，應(yīng)該就看出來，這種方法準確度應(yīng)該是有問題的，而實驗也證明了這一點。這很類似于RCNN中的bounding box regression（請參考我的其他博客）。

好吧，我表示原始論文看起來真他呀費勁。

找了很久，這篇博客寫的也不錯，可以看看。

<u>https://segmentfault.com/a/1190000016692873?utm_source=tag-newest</u>

話不多說，上菜。我感覺還是不要按照原文的思路來，太費勁了。

第一，先說一說IOU，置信度

先上圖。

圖片1.png

把圖像分成77的塊，那么對于輸入的圖像就可以構(gòu)建一個77*30的張量，這些標簽都是已知的。

圖片2.png

P(object):就是說這個cell中存在物體的概率。怎么定義是否有目標呢？如果目標的中心點在這個cell里面，那么就認為有目標，如果不在，就沒有目標。取值為0和1.

定義置信度：如果cell里面有目標，那么就用IOU來計算預測值（預測的bounding box）和真實值（真實的bounding box）差異。

P(class|objet):就是說這個cell存在物體，而且是某個類的概率。

那么最終，對于某個cell的一個box 預測某個類的概率就表示為：

P(class|objet)P(object)IOU

比如說上面的情況，只有一個類。

我們就可以定義這樣的訓練標簽，如果有錯誤請指出。

【000000000000000000000000000000 // 第一個cell
000000000000000000000000000000
.......
1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0.7,0.02,0.14,0.14,0,0,0,0 // 第23個cell
........
000000000000000000000000000000】 // 第49個cell

第二，再說一說網(wǎng)絡(luò)結(jié)構(gòu)

此處是截圖

圖片3.png

下面這個圖視乎更直觀一點。原始圖像卷啊卷，就被卷成了7730這樣的張量。這家伙跟cell有什么關(guān)系呢？比如說，cell是77的，卷啊卷，最后原始圖像中的一個塊，就成了77中的一個點。

圖片4.png

第三，然后說一說訓練過程

在上面我們可以看到，YOLO就是一個網(wǎng)絡(luò)，卷積，池化，全連接，最后輸出一個7730的tensor。此處應(yīng)該有個圖，我想應(yīng)該很直觀了，那就用本文的第一個圖吧。

我覺得我們不能被有些博客給迷惑了。好吧，還是說說這個最終的tensor是個啥樣的。就是這樣的，一條粗粗鏈子。對于整個網(wǎng)絡(luò)來說，你給他一幅圖，它卷啊卷，池啊池，啪，輸出一個7730的張量。假設(shè)這個張量就是OK的，就是我們想要的，那么，我們按照張量的結(jié)果，進行解析，就可以在圖上畫出這個（x,y,w,h）對應(yīng)的區(qū)域。好了，一般情況下第一次肯定不可能就得到好的結(jié)果，那怎么辦呢？我們在輸入訓練圖像的時候，是不是有標簽呢，而且是不是也有對應(yīng)的類別的信息呢。整，把這些信息搞成7730的張量，這樣不就可以用反向傳播去迭代了嘛。一遍一遍的訓練。你會發(fā)現(xiàn)，最后輸出的張量，越來越是我們想要的。就是這么神奇。

第四，總結(jié)一下吧

我自己還是挺喜歡YOLO的，簡單有效，思路清奇。YOLO有很多小細節(jié)，推薦的博客里面有介紹，我就不說了。后續(xù)會繼續(xù)更新V2和V3版本。本文已同步至公眾號，歡迎訂閱。

qrcode_for_gh_3d990a2340da_258.jpg