理解 YOLOV1 第一篇 预测阶段

首先看YOLOV1的网络结构，感觉就是普通的卷积神经网络：

  最终输出是一个7*7*30的黑盒子，把它想象成一本7*7大小的有着30页的一本书。

 书的每一页，由49个方格（grid cell）组成, V1版本中每个grid cell预测2个选框（bounding box，bounding box的中心落于该gridcell）所以一共可以生成98个bounding box。

每个bounding box，含5个参数：

1  x，y  bounding box的中心点的位置

2 h，w  bounding box的宽高

3 c 是否包含目标物体的置信度（这个置信度，应该就是交并比）

视角在切回grid cell，grid cell还包含每个类别的概率，用grid cell的类别概率，乘以grid cell自己生成的bounding box的置信度，就获得该bounding box对应各个类别的概率。

这样的话，过滤掉概率低的，这个含有位置信息和类别信息的框框就可以画出来了。

再次整体看看这个黑盒子：

那，刚刚我们看的是黑盒子的左视图，那刚刚也提到了每个grid cell也包含了 很多的信息。那么看这幅图的正视图将更加的清楚（及每个或者说49个grid cell都是由深度的，这个深度是30）。

这里，我们就专注看，其实一个grid cell 和它包含的深度信息：

之前讲到 ，每个grid cell可预测2个选框（bounding box），紫色和绿色就是这两个bounding box部分，每个bounding box含5个参数，没错就是上面提到的5个参数。最后20个维度存放的是该grid cell对应的20种类别的概率。看到这里我们就大概知道了。V1版本一张图片最多能生成98个选框，最多能分20种类别。

小结

为了更好的理解，这里强调几点：

1. grid cell和bounding box是有着对应关系的：每个grid cell对应两个bounding box
2. bounding box包含是否含有物体的置信度（这里有待进一步确认具体是什么的置信度）
3. grid cell包含每个类别的概率.
4. 两个bounding box分别有一个置信度，如果下图所示：

 红色的框框代表grid cell，两个黑色的框框代表grid cell生成的两个bounding boxes，线越粗代表置信度越高。两个bounding box共享该grid cell类别的概率。概率和置信度相乘，将得到这个类别判断的全概率。

看看这种动图，应该能更好的理解：

---

 

继续分析：如果规定每个grid中类别概率最大值涂上自己的专属颜色，那么就可能得到如下效果：

这里就又有一条结论，V1版本最多预测20个种类，且最终最多能框选出49个物体。 

---

参考资料

【精读AI论文】YOLO V1目标检测，看我就够了_哔哩哔哩_bilibili