【目标检测】YOLO v1算法_yolov1的两个全连接层-优快云博客

本文链接：https://blog.youkuaiyun.com/AugustMe/article/details/107788291

在这里插入图片描述
NMS的适用情况是什么？
答：多目标检测时用NMS。

YOLO网络结构：24个卷积层+2个全连接层
在这里插入图片描述

1.YOLO总体结构
去掉候选区这个步骤以后，YOLO的结构非常简单，就是单纯的卷积、池化最后两层全连接。单看网络结构的话，和普通的CNN分类网络几乎没有什么本质区别，最大的差异是最后输出层用线性激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量，如下图所示：

在这里插入图片描述
因为只是一些常规的神经网络结构，所以，理解YOLO的设计的时候，重要的是理解输入和输出的映射关系。

2.输入和输出的映射关系

在这里插入图片描述
3.输入
输入就是原始图像，唯一的要求是缩放到448448的大小。主要是因为YOLO的网络中，卷积层最后接了2层全连接层，全连接层要求固定大小的向量作为输入，所以倒推回去也就要求原始图像有固定的尺寸。YOLO设计的尺寸就是448448。

4.输出
输出是一个7730的张量（tensor）。

4.1. 7*7网格
根据YOLO的设计，输入图像被划分为77的网格（grid），输出张量中77就对应着输入图像的77网格。或者我们把77*30的张量看作49个30维的向量，也就是输入图像中的每个网格对应输出一个30维的向量。【输入图像左上角的网格对应到输出张量中左上角的向量。】要注意的是，并不是说仅仅网格内的信息被映射到一个30维向量。经过神经网络对输入图像信息的提取和变换，网格周边的信息也会被识别和整理，最后编码到那个30维向量中。

4.2. 30维向量
具体来看每个网格对应的30维向量中包含了哪些信息：

在这里插入图片描述
1）20个对象分类的概率
因为YOLO支持识别20种不同的对象（人、鸟、猫、汽车、椅子等），所以这里有20个值表示该网格位置存在任一种对象的概率。可以记为P(C_1|Object), …, P(C_i|Object),…P(C_20|Object) ，之所以写成条件概率，意思是如果该网格存在一个对象Object，那么它是C_i的概率是P(C_i|Object)。

2）2个bounding box的位置
每个bounding box需要4个数值来表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心点的x坐标，y坐标，bounding box的宽度，高度)，2个bounding box共需要8个数值来表示其位置。

3）2个bounding box的置信度
bounding box的置信度 = 该bounding box内存在对象的概率 * 该bounding box与该对象实际bounding box的IOU，用公式来表示就是：
在这里插入图片描述
==Pr(Object)==是bounding box内存在对象的概率，区别于上面1）中的P(C_i|Object)，==Pr(Object)==并不管是哪个对象，它体现的是有或没有对象的概率。1）中的P(C_i|Object)，意思是假设已经有一个对象在网格中了，这个对象具体是哪一个。