You Only Look Once:
                                            Unified, Real-Time Object Detection

论文下载：http://arxiv.org/abs/1506.02640

（本篇多为一些理论上的内容，比较枯燥，难懂，建议拿一张纸，边看边记，多动脑。）

• 1   YOLO基本思路

将一幅图像分成 SxS 个网格（grid cell）（论文中以7*7为例，所以后面数据均以7*7计算），如果某个物体的中心落在这个网格中，则这个网格就负责预测这个物体。（注：是物体中心落在这个网格中，并不是物体的某一部分落在这个网格中，如图所示，有3个物体，狗，自行车，汽车，则物体中心点对于的grid cell负责对于物体的预测。）

                                           

每个网格中有B个边界值(bounding box)（论文中B=2，所以一幅图像共有7*7*2=98个bounding box），每个bounding box有5个参数：x,y,w,h,记录边界框的位置，大小。confidence 代表了所预测的 box 中含有 object 的置信度和准确度，其计算公式为：

                                                                         

其中如果有 object 落在一个 grid cell 里，第一项取 1，否则取 0。 第二项是预测的 bounding box 和实际的目标框之间的 IoU 值。

每个grid cell还要预测一个类别信息，即判断为某一类的概率值，记为C类。（V1模型中，一共有20中类别，所以C中有20个参数）。由上，每幅图像所输出的形式为：S*S*(5*B+C)=7*7*(5*2+20)=7*7*30的向量。其网络结构如图所示：

注意：类别信息是针对每个网格的，confidence 信息是针对每个 bounding box 的。所以，才会有图一Bounding boxes + confdence

和Class probability map这个的图形。

• 2   数据分析

每个 bounding box 的 class-specific confidence score为：

 

等式左边第一项就是每个网格预测的类别信息，第二、三项就是每个 bounding box 预测的 confidence。这个乘积预测了 box 属于某一类的概率，也有该 box 准确度的信息。

由上一部分可知，每个 grid 有 30 维，这 30 维中，8 维是回归 box 的坐标，2 维是 box的 confidence，还有 20 维是类别。（如图所示）

一幅图像的数据结构如下：

• 3  计算损失

这个损失函数中，只有当某个网格中有 object 的时候才对分类误差进行惩罚

• 4   预测

首先，对每一类预测得分设定阈值，去掉其低分的boxs，然后，将得分从高到低排列采用非极大值抑制对框进行选择。

选定概率最大的一个框，作为待选框，判断第二个与第一个的Iou值，若iou>0.5视为同一个物体，则将第二个置为0，若<0.5，则保留，如下图所示

遍历所有类别后，寻找得分为非零的框，进行画图，结果如下