目标检测CNN经典网络（五）YOLO系列（V1、V2）

YOLO（You Only Look Once）是与R-CNN系列不用的一种目标检测方法，其实在我看R-CNN系列文章时，我就思考能不能直接输入一张图像，就卷积最后得到x,y,w,h,c五个参数啊，直接让它暴力预测！嘿嘿，yolo就是这么干的！

YOLO-V1

我理解的YOLO-V1相当于采取比较暴力的检测方案，网络结构如下图所示，其只用了一个卷积网络实现，更加简单。

网络结构

首先输入一行图片，这里它把它resize得到更大的尺寸图片（两倍分辨率），其目的是为了将物体方法更利于目标的检测。
之后就是经过一个类似于GoogLeNet的卷积网络最后它得到一个7*7*30的块，这个时最关键的。
这个块反映什么含义呢？目标分类中我们直接让他输出1*10对应一个10分类问题，那10个元素就是对应的分值。7*7*30反应什么呢？作者这样定义，7*7个部分，代表着把原图分成7*7份，每个份代表着以该区域为中心区域找物体，哈哈你会想是不是太少了，这么大的图分这么几份，确实是，最后V1版本发现搞出来对于小目标分类不太好！！！尼玛每个部分30个值啥意思呢？这30个值分别是2*（4+1）+20，20代表20个类别的打分，就是说这个区域要是有目标属于每个目标的分值多少！2呢？2代表以前面说的区域中心，展开上下，左右两个区域检测，每个展开对应着4+1分别是X,Y,W,H，还有一个是置信度，它属于目标的可信程度~，着好像看着分的挺好，实际上把目标函数设计好，程序就能按照这个训练！

损失函数

损失函数定义如下图所示（该图从原文中截取），一共五行。
第一行计算坐标的欧式距离，把两个展开区域一起求和，前面有个系数代表权重；
第二行是对于宽度高度的计算同上；
第三行和第四行都是可信度的损失，分别是物体的可信度损失和非物体的可信