ps:本文仅为个人学习yolov1（通过b站up同济子豪兄的学习视频）时记录的东西。关于损失函数的部分并未理解透彻，所以并未有笔记。因为未学习过神经网络，所以中间涉及的部分个人是当作黑盒来理解的。可能有错，望指出。

Yolov1介绍：

YOLO（You Only Look Once: Unified, Real-Time Object Detection），是Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测系统。

YOLOv1将目标检测问题当作回归问题解决。不需要提取候选框，是单阶段模型，一次性预测出boundingbox和类别的卷积神经网络，能够实现端到端的目标检测和识别。

优点：

速度快，增强版本在 Titan X 的 GPU 上 能够达到 45 帧每秒，简化版本则155帧每秒

因为捕获的是整张图的信息，对背景识别错误比较少

迁移泛化好，在自然图像上训练的YOLO，在艺术图像上的测试结果依旧优异

缺点：

对小目标检测效果差，因为每个grid cell最多只能预测两个物体

localization误差高

实现过程的部分理解：

核心思想：

YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

YOLO网络借鉴了GoogLeNet分类网络结构。但是，YOLO未使用inception module，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合，即降维来简化计算）+3x3卷积层简单替代。

预测阶段（前向）：

把输入图片（448x448）划分为SxS个grid cell（YOLOv1中S=7）

测试阶段则直接获得SxSx(5xB+C) 向量，然后进行NMS（非极大值抑制，来过滤置信度），最后得到目标检测结果。

S*S*(5*B+C)的理解：5为每个bbox的xy(相对于其对应的grid cell的坐标)、高度、宽度、是不是一个物体的置信度（是否包含物体，是则为1，不是则为0；和groundtruth的iou值；置信度的值则为前两个的乘积），B为bbox的个数，C为每个类别的条件概率，YOLOv1在voc训练集上训练，voc类别为20个，规定每个grid cell预测两个bbox，所以B=2，C=20

预测阶段的后处理：

NMS非极大值抑制（置信度过滤）：

输出为7x7x(2x5+20)的tensor

以单个bbox为例

20为每一个类别的条件概率，5中的置信度为每一个bbox的全概率，用每一个条件概率乘以bbox的全概率，得到20个概率值。

以某一类为例

某一类里有98（7x7x2）个概率，把小于某一个特定值(自己设定)的概率抹零，然后把98个概率降序排序。单看降序排序前面的非零概率，通过比iou（若iou大于某一特定值，则判断这两个框判断的是同一个物体），然后把概率小的变为零。

iou：交并比，两个框的重叠部分的大小

训练阶段（反向）：

YOLOv1的训练是通过反向传播的方法，来微调神经元中的权重来使得损失函数最小化。首先，训练集上是有人在图片标注好了框（即groundtruth，图中的红框），框的中心落在哪个grid cell，就由哪个grid cell的bbox来预测这个物体，并且标注好的类别就是grid cell应该预测出的类别。判断由哪个bbox来预测物体，则由bbox和正确的bbox的iou来判断，最大即可。

版权声明：本文为CSDN博主「Fluke_luck」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/Fluke_luck/article/details/122401568