7.8.1 YOLO概述
7.8.1 yolo概述
yolo，全称为you only look once detector，是一个可以一次性预测多个检测框位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。yolo发展到现在已经成为一系列目标检测算法的统称。yolo流程简化图如图7-41所示。
图7-41 yolo流程简化图
如图7-42所示，原始图像经过卷积网络处理后，生成了一个7x7x30维的特征向量，可以理解为把原图像分割成了大小相等的7x7个网格，每个网格生成2个检测框，称为bounding box，每个bounding box对应5个预测参数，即bounding box的中心点坐标、宽和高以及置信度评分。所谓置信度评分就是iou和目标分类每个类别的概率分数的综合指标。每个网格有30维的特征，其中前10维为两个bounding box的特征，后20维为20类物体的概率分数。
图7-42 每个网格对应2个bounding box
yolo有众多版本，其中最著名是yolo v3。图7-43所示为yolo v3的预测结果，可以理解为把图像分别划分成13x13、26x26和52x52三组网格，每组网格也被称为特征图。
图7-43 yolo v3对图像的预测结果
如图7-44所示，每个网格都包括三个预测结果，即三个预测框。每个预测框都由三部分组成，分别是预测框的四个坐标以及识别为不同物体的分类概率。以ms coco数据集为例，ms coco包含80种物体，yolo v3的分类结果就是该预测框被识别为这80种物体的概率。需要指出的是，一个预测框中通常包含不止一种物体，因此每个分类结果是相互独立的，概率总和不为1，比如一个预测框中同时包含猫和狗，那么识别为猫和狗的概率可能都是0.9。
图7-44 yolo v3网格的结构
如图7-45所示，yolo v3中对物体检测框位置是通过四个坐标表示的，即（tx，ty，tw，th）。假设物体的检测框真实坐标为（bx，by，bw，bh），分别表示预测框的中心点的横纵坐标以及整个预测框的宽和高。
图7-45 yolo v3的检测框的表示方法
物体的检测框真实坐标计算方法如图7-46所示。
综上所述，通常把图片大小转换成416x416，经过yolo v3预测后输出的box个数为：
3x（13x13+26x26+52x52）=10 647
图7-46 yolo v3检测框的计算方法
每个预测框都由4+1+80=85个参数组成。如何从10 647个预测框中选择最合适的一个表示物体的范围呢？有兴趣的读者可以进一步阅读相关文献。
yolo，全称为you only look once detector，是一个可以一次性预测多个检测框位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。yolo发展到现在已经成为一系列目标检测算法的统称。yolo流程简化图如图7-41所示。
图7-41 yolo流程简化图
如图7-42所示，原始图像经过卷积网络处理后，生成了一个7x7x30维的特征向量，可以理解为把原图像分割成了大小相等的7x7个网格，每个网格生成2个检测框，称为bounding box，每个bounding box对应5个预测参数，即bounding box的中心点坐标、宽和高以及置信度评分。所谓置信度评分就是iou和目标分类每个类别的概率分数的综合指标。每个网格有30维的特征，其中前10维为两个bounding box的特征，后20维为20类物体的概率分数。
图7-42 每个网格对应2个bounding box
yolo有众多版本，其中最著名是yolo v3。图7-43所示为yolo v3的预测结果，可以理解为把图像分别划分成13x13、26x26和52x52三组网格，每组网格也被称为特征图。
图7-43 yolo v3对图像的预测结果
如图7-44所示，每个网格都包括三个预测结果，即三个预测框。每个预测框都由三部分组成，分别是预测框的四个坐标以及识别为不同物体的分类概率。以ms coco数据集为例，ms coco包含80种物体，yolo v3的分类结果就是该预测框被识别为这80种物体的概率。需要指出的是，一个预测框中通常包含不止一种物体，因此每个分类结果是相互独立的，概率总和不为1，比如一个预测框中同时包含猫和狗，那么识别为猫和狗的概率可能都是0.9。
图7-44 yolo v3网格的结构
如图7-45所示，yolo v3中对物体检测框位置是通过四个坐标表示的，即（tx，ty，tw，th）。假设物体的检测框真实坐标为（bx，by，bw，bh），分别表示预测框的中心点的横纵坐标以及整个预测框的宽和高。
图7-45 yolo v3的检测框的表示方法
物体的检测框真实坐标计算方法如图7-46所示。
综上所述，通常把图片大小转换成416x416，经过yolo v3预测后输出的box个数为：
3x（13x13+26x26+52x52）=10 647
图7-46 yolo v3检测框的计算方法
每个预测框都由4+1+80=85个参数组成。如何从10 647个预测框中选择最合适的一个表示物体的范围呢？有兴趣的读者可以进一步阅读相关文献。