翻了翻之前的文件夹，找到这个之前整理的YOLO理解文档，在此基础上，做了一些修改，特做更新。
我相信很多同学在理解YOLO的时候是有很多疑惑的，尤其是1个cell,两个 bounding box，20个类别，简直头大。这篇文章带你来理解，如果有错误，不吝赐教。
相比于RCNN系列的算法，YOLO将分类问题转换为回归问题。关于RCNN系列，会在后面更新，请不要捉急。
既然是回归问题，就要用回归的思维来看待。什么意思呢？比如说，我们预测2019年12月的房价，它是有很多因素共同起作用，每个因素可以看作x，有了历史数据，假设房价是线性变化，那么我们只需要求得系数，就可把12月的x带进去，就得到了房价。整么来理解YOLO呢？
首先，图像就是输入，如果把图像分成块的话，每个块就是x，现在有很多这样的图像，那么只需要求得一组系数，对于新来的一幅图x’，就可以把x’带进去，就知道这个块或这幅图是什么东西。那么这个系数就可以看作是bounding box（就是把目标框住的那个框框）。虽然每个块只需要一个bounding box，但是，这个bounding box到底长什么样，我们不知道。与其这样，倒不如1个cell里面多高几个bounding box，那个好就用那个，反正，最后我只用其中一个就行了。开始的时候，我们并不知道bounding box的形状，只知道有几个。怎么办呢，别捉急。让CNN去学习吧。我们有几千万的训练集，还怕啥。我想这应该就是YOLO的核心思想了。我想，稍微分析下，应该就看出来，这种方法准确度应该是有问题的，而实验也证明了这一点。这很类似于RCNN中的bounding box regression（请参考我的其他博客）。
好吧，我表示原始论文看起来真他呀费劲。
找了很久，这篇博客写的也不错，可以看看。
<u>https://segmentfault.com/a/1190000016692873?utm_source=tag-newest</u>
话不多说，上菜。我感觉还是不要按照原文的思路来，太费劲了。
第一，先说一说IOU，置信度
先上图。
把图像分成77的块，那么对于输入的图像就可以构建一个77*30的张量，这些标签都是已知的。
P(object):就是说这个cell中存在物体的概率。怎么定义是否有目标呢？如果目标的中心点在这个cell里面，那么就认为有目标，如果不在，就没有目标。取值为0和1.
定义置信度：如果cell里面有目标，那么就用IOU来计算预测值（预测的bounding box）和真实值（真实的bounding box）差异。
P(class|objet):就是说这个cell存在物体，而且是某个类的概率。
那么最终，对于某个cell的一个box 预测某个类的概率就表示为：
P(class|objet)P(object)IOU
比如说上面的情况，只有一个类。
我们就可以定义这样的训练标签，如果有错误请指出。
【000000000000000000000000000000 // 第一个cell
000000000000000000000000000000
.......
1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0.7,0.02,0.14,0.14,0,0,0,0 // 第23个cell
........
000000000000000000000000000000】 // 第49个cell
第二，再说一说网络结构
此处是截图
下面这个图视乎更直观一点。原始图像卷啊卷，就被卷成了7730这样的张量。这家伙跟cell有什么关系呢？比如说，cell是77的，卷啊卷，最后原始图像中的一个块，就成了77中的一个点。
第三，然后说一说训练过程
在上面我们可以看到，YOLO就是一个网络，卷积，池化，全连接，最后输出一个7730的tensor。此处应该有个图，我想应该很直观了，那就用本文的第一个图吧。
我觉得我们不能被有些博客给迷惑了。好吧，还是说说这个最终的tensor是个啥样的。就是这样的，一条粗粗链子。对于整个网络来说，你给他一幅图，它卷啊卷，池啊池，啪，输出一个7730的张量。假设这个张量就是OK的，就是我们想要的，那么，我们按照张量的结果，进行解析，就可以在图上画出这个（x,y,w,h）对应的区域。好了，一般情况下第一次肯定不可能就得到好的结果，那怎么办呢？我们在输入训练图像的时候，是不是有标签呢，而且是不是也有对应的类别的信息呢。整，把这些信息搞成7730的张量，这样不就可以用反向传播去迭代了嘛。一遍一遍的训练。你会发现，最后输出的张量，越来越是我们想要的。就是这么神奇。
第四，总结一下吧
我自己还是挺喜欢YOLO的，简单有效，思路清奇。YOLO有很多小细节，推荐的博客里面有介绍，我就不说了。后续会继续更新V2和V3版本。本文已同步至公众号，欢迎订阅。
