目標檢測算法——YOLOV1解析

前言

以前打算分析caffe源碼的，可是因爲工做較忙就耽誤了。可是但願從此仍是能堅持寫博客，對知識進行總結梳理，鍛鍊本身的表達能力。

最近一段時間在研究yolo算法，發現這個算法很是的優美，而且做者更新到了第三版。經過對該算法的學習，能夠學習到如何進行算法的優化與實現。可是正如吳恩達在深度學習課程裏面所說的，yolo的論文很是的難讀，做者寫文章的時候着重在寫模型的測試部分，而對於模型的訓練講解的很是的少。這讓一開始閱讀yolo的論文時，有種不知因此然的感受。還好yolo的做者提供的源代碼，使得不懂的地方能夠經過閱讀來進行增強理解。在這裏很是佩服yolo的做者，不只科研能力強，工程能力也很是的棒，竟然本身用C語言擼了一個深度學習框架，佩服。是我學習的榜樣！！

好了，廢話很少說了，開始咱們的正題吧。

算法原理

對於一個新的深度學習算法，我常常從輸入輸出着手。咱們來看一下YOLO的輸入出是什麼？
首先yolo的輸入是一張448x448大小的圖片，而後通過網絡以後輸出爲30個值。那麼這30個值是什麼呢？咱們來進行一一的分析。

1. 前面20個爲物體的類別數。爲何是20呢？由於在論文中yolo是要檢測20種物體，而後進行one-hot編碼，因此維度就是20；
2. 第21-22個爲兩個confidence。這個詞咱們有點陌生。中文叫作置性度，也就是物體框裏面包含物體的可能性。
3. 第23-30個爲兩組x,y,w,h值，即物體框的中心座標及寬高，共8個值。

知道了網絡的輸出數據，咱們就能夠知道訓練數據的標籤長怎麼樣了。訓練數據的標籤一定也有：類別數、confidence和(xywh)組成。那圖片的標籤具體是怎麼打的呢？咱們接着分析。

1. 首先yolo將一張圖片分紅SxS大小，在論文中爲7x7,以下圖所示

在上面的圖中，第一個網絡因爲沒有咱們要識別的物體，因此標籤的類別數、confidence和xywh都爲0，接着第二個網格也是如此。。。直到紅色框的網格處，咱們發現有一隻狗，這是標籤爲狗的類別數，confidence爲1，xywh爲包含狗的物體框的中心座標和寬高。那紅色框的上面那個框的標籤數據是什麼呢？它也包含了狗啊。在yolo中只用物體框中心點所在的網格進行預測，所以紅色框周圍的網格的標籤數據也全都是0。
通過這樣計算，咱們能夠獲得，一張圖片最終的標籤數爲[20(類別)+2(confidence)+8(xywh)]xSxS

1. 待續。。。。。