目标检测算法——YOLOV1解析

前言

之前打算分析caffe源码的，但是由于工作较忙就耽误了。但是希望今后还是能坚持写博客，对知识进行总结梳理，锻炼自己的表达能力。

最近一段时间在研究yolo算法，发现这个算法非常的优美，并且作者更新到了第三版。通过对该算法的学习，可以学习到如何进行算法的优化与实现。但是正如吴恩达在深度学习课程里面所说的，yolo的论文非常的难读，作者写文章的时候着重在写模型的测试部分，而对于模型的训练讲解的非常的少。这让一开始阅读yolo的论文时，有种不知所以然的感觉。还好yolo的作者提供的源代码，使得不懂的地方可以通过阅读来进行加强理解。在这里非常佩服yolo的作者，不仅科研能力强，工程能力也非常的棒，居然自己用C语言撸了一个深度学习框架，佩服。是我学习的榜样！！

好了，废话不多说了，开始我们的正题吧。

算法原理

对于一个新的深度学习算法，我经常从输入输出着手。我们来看一下YOLO的输入出是什么？
首先yolo的输入是一张448x448大小的图片，然后经过网络之后输出为30个值。那么这30个值是什么呢？我们来进行一一的分析。

1. 前面20个为物体的类别数。为什么是20呢？因为在论文中yolo是要检测20种物体，然后进行one-hot编码，所以维度就是20；
2. 第21-22个为两个confidence。这个词我们有点陌生。中文叫做置性度，也就是物体框里面包含物体的可能性。
3. 第23-30个为两组x,y,w,h值，即物体框的中心坐标及宽高，共8个值。

知道了网络的输出数据，我们就可以知道训练数据的标签长怎么样了。训练数据的标签必定也有：类别数、confidence和(xywh)组成。那图片的标签具体是怎么打的呢？我们接着分析。

1. 首先yolo将一张图片分成SxS大小，在论文中为7x7,如下图所示

在上面的图中，第一个网络由于没有我们要识别的物体，所以标签的类别数、confidence和xywh都为0，接着第二个网格也是如此。。。直到红色框的网格处，我们发现有一只狗，这是标签为狗的类别数，confidence为1，xywh为包含狗的物体框的中心坐标和宽高。那红色框的上面那个框的标签数据是什么呢？它也包含了狗啊。在yolo中只用物体框中心点所在的网格进行预测，因此红色框周围的网格的标签数据也全都是0。
经过这样计算，我们可以得到，一张图片最终的标签数为[20(类别)+2(confidence)+8(xywh)]xSxS

1. 待续。。。。。