yolo（you only look once）是一種目標檢測系統，其特點是將物品識別和物品分類融合，使用乙個深度學習模型直接計算出物體的位置和型別。基本思路如下所示：
首先被分為s \times s個框，如最左邊的圖所示。對於每個框，若乙個物體的中心落在該框中，則這個框負責該物體的型別和位置**。對於每個框，需要計算以下資料：
所屬類別：共c個，分別對應物品的種類，用於標記這個框的屬於哪乙個物體。
在voc資料集中，共有20類物品，即c=20。取s = 7，b = 2，因此最後資料共7 \times 7 \times (20 + 5 \times 2) = 7 \times 7 \times 30個，表示為維度為[7,7,30]。
網路結構的設計如下：
網路的設計取材與googlenet，其中將inception結構簡單的換成了1x1卷積和3x3卷積的串聯。同時需要注意的是啟用函式使用的leaky常數為0.1的leaky relu函式。
除此之外，上文所提到的x,y,w,h引數均被歸一化——中心位置x,y使用框的尺寸歸一化，w,h使用尺寸歸一化。如此操作後，x,y,w,h均歸一化到0~1。
該模型首先在imagenet進行了預訓練，top-5準確率達到88%。訓練開始前保留前20層卷積的引數。
訓練的代價函式分為五個部分，如下所示（此處公式渲染不完全）：
$$
loss = l oss_ + loss_ + loss_ + loss_ + loss_c \\
loss_ = \lambda_ \sum\limits_^^^[(x_i - x'_i)^2 + (y_i-y'_i)^2]}} \\
loss_ = \lambda_\sum\limits_^^^[(\sqrt w_i - \sqrt)^2 + (\sqrt h_i-\sqrt)^2]}} \\
loss_ = \sum\limits_^^l_^(c_i - c_i')^2} \\
loss_ = \lambda_\sum\limits_^^l_^(c_i - c_i')^2} \\
loss_c = \sum\limits^_l^_i\sum\limits_
$$
loss_和loss_是針對物品位置的代價項，loss_和loss_是針對物品存在置信度的代價項。loss_c則是針對物品類別的代價項。假設乙個網路輸出了乙個[7x7x(20+2x5)]的輸出向量。假設僅在位於a,b的網格中有乙個物體。則l_^ = 1,l_^ = 0，則有loss_c = \sum\limits_(p_(c) - p'_(c))^2。對於該網格，有b個bounding box，假如標號為k的bounding box與該物體的iou最高，則l^_ = 1,l^_ = 0，即計算loss時僅考慮k號bounding box的損失，k號bounding box被指定負責該物品的檢測。
測試時，每測試一張，都會獲得s \times s \times b個bounding box，根據個人理解，每個格點有唯一的歸屬，因此可以對每個格點的b個bounding box取置信度最高的乙個，即有s \times s個bounding box。在這些bounding box中，可以設定乙個閾值，篩去置信度低的格點。對於最後的格點，進行非最大值抑制：即對iou超過一定閾值且屬於同一類的bounding box比較置信度，選擇置信度最高的bounding box。
YOLO1從理解到親手訓練
yolo1是端對端的目標檢測模型，參考 為you only look once unified,real time object detection 主要思想是將分割成cell size cell size的格仔，每個格仔裡只包含乙個目標，通過網路來輸出每個格仔的目標值，其中判斷格仔中是否有目標即判...
YOLO系列學習筆記
此文參考 1 給乙個大小為448x448的輸入影象，首先將影象劃分成7 7的網格。2 對於每個網格，每個網格 2個bouding box 每個box包含5個 量 以及20個類別概率，總共輸出7 7 2 5 20 1470個tensor 3 根據上一步可以 出7 7 2 98個目標視窗，然後根據閾值去...
目標檢測YOLO的學習筆記
近幾年來，目標檢測演算法取得了很大的突破。比較流行的演算法可以分為兩類，一類是基於region proposal的r cnn系演算法 r cnn，fast r cnn,faster r cnn 它們是two stage的，需要先使用啟發式方法 selective search 或者cnn網路 rpn...