YOLOv1个人笔记

YOLOv1 You only look once

总结：整体流程：
预测框的四个坐标regression+是否为背景的分类（0/1)+判断类别的多分类(0-20的one-hot型概率输出）
下图为目标检测代表性算法：

1 整体架构

YOLOv1 = GoogleNet+4CNN+2FCNN

2 精华部分

• 流程：一张图片—>reshape=7x7x30—>
  7x7: 7个grid cell（单元格），即一张图片分为49个单元格（每个单元格预测两个候选框）
  30: 30=(第一个候选框：4个坐标点+1个置信度)+(第二个候选框：4坐标点+1个置信度) + 使用某一个置信度高的候选框来预测出的20个类别概率（此处是FCNN）

• 置信度：
  ① 如果检测物体中心点处于这个候选框中，则置信度=1xIoU
  ②如果不处于候选框中，则置信度=0xIoU
  ③如果两个都在，则比较两者IoU的大小，只选置信度高的一个框用来预测

• 训练
  三部分的损失$L=L_1+L_2+L_3$
  $L_1$ = 候选框bbox与Ground Truth的坐标，回归问题，loss为$MSE$
  $L_2$ = 置信度损失，也分为两部分：背景与物体，即$L_2$ =loss(背景置信度, 0)+loss(物体置信度,1)
  $L_3$ = 类别softmax损失

3 Pros & Cons

• 优点：速度快
• 缺点：小物体无法检测

4 个人疑问

• 问：每个单元格怎样去生成两个候选框呢？大小是预设的吗？还是随机？

答：猜测是直接预测，大小随机，但未证实。