一、YOLO-V1结构剖析

YOLO-V1的核心思想：就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置及其所属的类别。YOLO和RCNN最大的区别就是去掉了RPN网络，去掉候选区这个步骤以后，YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接。单看网络结构的话，和普通的CNN对象分类网络几乎没有本质的区别，最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量，我们来看下YOLO-V1论文中给出的的结构，如下图：

该网络架构借鉴了GoogLeNet的思想，改造了其中的InceptionV1网络，只是这里并没有使用原始的inception模块，而是用一个1x1的卷积接联一个3x3的卷积来代替，具体的inception模块和GoogLeNet可参考之前的文章：

从上图中可以看到，YOLO-V1网络的主要步骤如下：

整个算法的大致流程就是这样，接下来我们看下为什么最终会得到7x7x30的结果？

为什么是7x7x30的输出？

YOLO-V1将一副448x448的原图分割成了7x7=49个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内是否包含物体的置信度confidence(每个bounding box有一个confidence)，以及该网格包含的物体属于20类别中每一类的概率(YOLO的训练数据为voc2012，它是一个20分类的数据集)。所以一个网格对应一个(4x2+2+20)=30维度的向量。如下图：

知道了网络的结构，上面提到的候选框怎么生成呢？

候选框怎么生成？

上面提到7x7的每个网格都要预测两个bounding box的坐标和置信度，如下图，以红色网格为例，生成两个大小形状不同的蓝色box，box的位置坐标为(x,y,w,h)，其中x和y表示box中心点与该格子边界的相对值，也就是说x和y的大小被限制在[0,1]之间，假如候选框的中心刚好与网格的中心重合，那么x=0.5,y=0.5。
w和h表示预测box的宽度和高度相对于整幅图片的宽度和高度的比例，比如图中的框住狗的蓝色网格的宽度w大致为1/3，高度h大致为1/2。这样(x,y,w,h)就都被限制在[0,1]之间，与训练数据集上标定的物体的真实坐标(Gx,Gy,Gw,Gh)进行对比训练，每个网格负责预测中心点落在该格子的物体的概率。

YOLO-V1候选框生成

每个box预测的置信度只是为了表达box内有无物体的概率（类似于Faster R-CNN中RPN层的softmax预测anchor是前景还是背景的概率），并不预测box内物体属于哪一类。那么这个置信度有什么用呢？

不一样的置信度

这里面的置信度跟前面学的置信度有一些些不同。以前我们理解的置信度只是一个简单的得分，一个对该物体预测的概率值。YOLO中的置信度公式如下：

其中前一项表示有无人工标记的物体落入网格内，如果有，则为1，否则为0.第二项表示bounding box和真实标记的box之间的IOU，值越大则表示box越接近真实位置。confidence是针对bounding box的，每个网格有两个bounding box，所以每个网格会有两个confidence与之对应。