yolo 目標檢測演算法個人總結（yolov1）

目前yolo目標檢測有兩個版本，分別為v1和v2。因工作需要用yolo演算法檢測人物，所以這段時間重點看了這兩篇論文，並實現了對應的tensorflow代碼。這裡記錄下在論文閱讀過程中的一些細節信息，留給自己，同時也希望各位能指出本人理解錯誤的地方，謝謝！

一：yolo v1

關於yolo v1演算法的詳解在網上已經非常多了，在這裡我大概敘述下演算法的流程，以及在開發過程中遇到的一些想不明白的細節問題，以及最後自己的解決方法。

yolo v1在檢測目標時，不同於之前RCNN系列的方法，是將檢測對象的類別和位置同時進行預測，是一種回歸問題。主要步驟為：卷積層進行圖像特徵提取；全連接層用於後續類別和目標位置的回歸預測。

具體預測方法：目標可能位於圖像的不同局部區域，因此，作者首先將圖像分割成S*S個柵格單元，並同時期望每一個柵格單元能完成識別和檢測落入到該單元的目標。基於此，作者提出對每一個柵格單元，主要預測以下幾個值：1 預測的B個Box的置信度；2 每個Box的位置（Box中心坐標x,y以及Box的寬和高）；3 在當前柵格單元有對象的條件下，輸入每個類別的概率；作者同時還指出，一個柵格單元只負責檢測一個目標，並且B個Box只有一個用於預測目標的位置，這句話為我們對Train的Image的類別標記和計算loss值提供了依據。具體loss計算文章中有非常詳細的介紹，截圖如下：

關於loss中的參數，原文有非常詳細的介紹，在這裡就不一一展開。只列舉出，我在實現的過程中為難的地方：

1 文章中每一個柵格單元會預測2個Box，那麼類別標記的時候這兩個Box怎麼處理的？

我在實現過程中，並沒有找到作者關於這2個Box的說明，更別說其他的細節了。後來，我想，其實這裡預測幾個Box其實並不重要，作者的目標是一個柵格單元只檢測出一個目標，理論上一個Box就能達到要求，作者在這裡選擇兩個Box我想主要是由於不同的物體形狀上可能差異比較大，兩個Box可以分別負責預測兩種形狀的物體(w>h or w<h)。因此，我在處理時，對於根據目標的長、寬比確定選擇哪一個Box作為作者所說的"responsible"。並沒有計算Box與ground truth的IOU，並找到最大的那個。（這裡有處理錯誤，還請指出來）

2 作者說每一個柵格單元是否包含object的判斷方法是：檢測目標Box的中心點是否落入到該單元。由於我的最終目標是要檢測人，人一般會比較大，Box的中心點位置標記為object往往不能覆蓋到人的有用信息(如下圖中黃色矩形示意)，這會較低召回率。為此，類別標記時，我們將一個object差分為4個object，具體如圖所示（原來的框+3個新框）。這樣明顯增加了類別的召回率。測試時確實效果好了不少。

推薦閱讀：