一. 网络结构

论文下载地址
项目地址
github源码地址

二. 网络说明

作者在YOLO算法中把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。算法首先把输入图像划分成S×S的格子，然后对每个格子都预测B个bounding boxes，每个bounding box都包含5个预测值：换句话说，如果ground truth落在这个grid cell里，那么Pr（Object）就取1，否则就是0，IOU就是bounding box与实际的groud truth之间的交并比。所以confidence就是这两者的乘积。在yolov1中作者将一幅图片分成7x7个网格(grid cell)，由网络的最后一层输出7×7×30的tensor，也就是说每个格子输出1×1×30的tensor。30里面包括了2个bound ing box的x，y，w，h，confidengce以及针对格子而言的20个类别概率，输出就是 7x7x(5x2 + 20) 。

• x,y,w,h和confidence。
• x，y就是bounding box的中心坐标，与grid cell对齐（即相对于当前grid cell的偏移值），使得范围变成0到1；
• w，h进行归一化（分别除以图像的w和h，这样最后的w和h就在0到1范围）。
• confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息

1. 网络的输入

图片大小：448 * 448 * 3 = (64 * 7) * (64 * 7）* 3 = 7 * 7 * (64 * 64 * 3)
也就是说，输入图像大小为448448的图像，被划分为77的网格，一个网格，负责检测输入图片的64 * 64 * 3个非连续的像素，来判断物体的位置、形状以及分类。

2. 网络的输出

YOLOv1把30个输出值，结构化成5 + 5 + 20。

(1) 5 + 5表示:每个网格使用两个先验框进行预测。

每个网格使用​两​个先验框去寻找是否有目标方框的中心点落在该网格内。
分别用B1（Box1）和B2（Box2）表示。这个2个框，称为“先验框”。
有点类似，每个网格使用两个不同尺寸的渔网去捞鱼（目标），看看能不能​捞到​目标。

(2) “5”表示：每个先验框包含的预测信息的数量。

方框中心点的坐标（x，y）：(x,y)的坐标肯定会落在所属的网格内。
方框的尺寸(width，height）：表明了方框的大小。
方框的包含物体目标的​置信度C​：表明方框的包含物体目标的可能性的大小。如果该方框内，没有包含人任何目标(物体），则置信度为0。如果该方框内，100%包含了目标（物体）， 则置信度为1。其他值，表明方框内包含物体目标的可能性的大小。

(3) 20表示：20个分类预测值

每个值代表了某一种分类的“可能性”的预测值，每个可能性是[0, 1] 之间的一个数值。这块就是普通的图像分类，用于确定网格中检测到的目标的分类。这个长度，决定了YOLO V1最多只能识别20种分类目标。

(4) 每个网格能预测几个目标？

在YOLO V1中，虽然使用了两个先验框去找目标，但是每个网格只选用一个框中的预测结果来定位物体：位置+尺寸，依据就是每个框的置信度的大小，选择一个置信度大的框的预测结果。因此，在YOLO V1中，20分类是针对每个网格的，而不是每个先验框的，即每个先验框只需要检测是否有对象或物体。网格进一步的负责对检测到的目标的各种分类的可能性就行预测，最后选择最大可能性的分类输出。因此, YOLO V1中，对一张图而言，最多能够检测 7 * 7 = 49个目标，目标的分类数最大为20种。