目标检测：YOLO v1算法

YOLO V1

算法思想

1. 将一幅图像分成s*s个网格，如果某个目标的中心落在这个网格中，则这个网络就负责预测这个目标。
2. 每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个置信度，每个网格还要预测C个类别的分数。

网络结构

YOLOv1使用了24层卷积层和2层全连接层，最后得到一个7*7*30的Tensor

输出的7*7*30中的30表示的是两个预测框的位置和置信度以及20个类别的分数，前10个表示的是两个框的中心点坐标和置信度，后20个表示的是20个类别的分数

损失函数

这四个损失都是使用的误差平方和，其中在计算宽高损失的时候先开根号后再求误差平方和，是因为当小目标和大目标的差值相同时，如果直接做差那就造成两个的损失是一样的，但现实是大目标的损失应该更小些，所以作者使用了开根号后再求误差平方和。

与 的作用，就是让含有物体的格点，在损失函数中的权重更大，让模型更加“重视”含有物体的格点所造成的损失。在论文中， 与 的取值分别为5与0.5。

版权声明：本文为CSDN博主「_-CHEN-_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40042726/article/details/121395499