一、YOLO系列V1

• 经典的one-stage方法，You Only Look Once
• 将检测问题转化成回归问题，一个CNN搞定
• 可以对视频进行实时监测

YOLO系列的速度更快，我们检测的物体很简单，进行取舍，舍弃了一些精度。

V1核心思想

现在要预测一张图片中有哪些物体，左边的图像上有狗、自行车、面包车。
输入s×s的图片，假设7×7个格子，每个格子都负责预测落在自己位置上的是什么东西。格子上的中心点进行预测。
现在这个红色的点进行预测，它也不知道狗长什么样子，长宽是多少，所以先给一些经验值，就是图上黄色的两个框（h1,w1;h2,w2）。（YOLOV1给了两个）。经验值不准，但是也可以参考，将经验好的框进行微调，相当于一个回归任务，h怎么变，w怎么变。初始的点在哪（V1的版本初始点是中心点）。

• 总结：有了输入数据，分成很多的小格子，每个小格子产生两种的候选框B值（V1版本），看看两种候选框和真实值匹配的怎么样，算IOU的值，哪个大，哪个候选框就好，就微调谁。会计算出来很多很多的候选框（因为每一个格子都要计算）。计算出bounding box和confidence，即为我们在预测的时候不仅要预测x，y，w，h，还要confidence（当前这个小格子预测出物体的概率）。置信度小的过滤掉。
• 输入s×s的图片
• 对置信度高的框、IOU高的框进行微调

V1网络架构

卷积神经网络的输入图像是固定的，这个和卷积层没有关系，是因为全连接层是定死的。全连接层前面要固定好feature map的大小。

• 输入图像是固定值，是V1版本的局限
• 用一些卷积神经网络提取特征，V1版本用的是GoogLeNet，不关心，后面用效果更好的特征提取网络
• 得到一个7×7×1024的特征图
• 第一个全连接层，转化成4096×1
• 第二个全连接层，转化成1470×1
• reshape成7×7×30，是我们最后要的

图片是7×7的格子，每个格子有30个值。
每个格子两种框，B1：x1,y1,w1,h1（归一化后的坐标值）B2：x2,y2,w2,h2
还有置信度，C1，C2
20个分类
加起来共30
求矩形框是回归任务，后面还有20分类任务

B是先验框的个数；C是类别。

损失函数

• 预测的值（回归）：x,y,w,h，要让这几个的值和真实值的误差越小越好
• 使用位置误差
• confidence（预测是物体的）：越接近1越好
• confidence（预测是背景的）：越接近0越好，有权重项，因为背景多，给个0.1的权重，告诉网络背景不重要
• 分类：交叉熵损失函数

NMS非极大值抑制（测试时）

按照置信度排序，把最大的留下。

V1版本中的问题：
小物体检测不好
重合在一起的物体很难检测到
多标签效果不好