YOLOv1的损失函数详细解析

参考文章链接：https://blog.youkuaiyun.com/Willjzq1/article/details/107362507/
YoloV1原论文链接：

写这篇文章的初衷，就是自己在学习的时候，看到网上的文章相互抄袭，也不管是不是对，对初学者很不友好，既然自己在看了，还是写一些勘误，以供后来者学习吧。

先放原文截图：

从公式我们可以看到，整个损失函数是有五部分组成的，这五部分我们可以进行简单的分类：
一二：对应的分别是对每个cell的坐标和宽高进行损失计算，其中需要注意的是前面有两个调节因子，默认 λcoord = 5和 λnoobj = .5，原文中作者的解释是对应的是有检测物和背景权重，加权有物体损失，减权背景损失。
三四：表征的是目标和背景的分类上的损失
五：表征的是分类的类别预测损失

引用原文的一张图，注意，下图的损失函数是错误的！！！！！！

YOLO构架最大的贡献是证明了深度学习网络就是输入矩阵到输出矩阵的变换，只要设计好了输出矩阵和损失函数，一切都可以由一个深度学习网络搞定！
YOLOv1就是典型的由图像像素矩阵，通过深度学习网络一次性转换为边界框坐标和类概率矩阵的范例，非常直观，非常容易理解！

此处，摘抄自https://www.jianshu.com/p/61fbec78ddee