1. 前言

使用YOLOv2做出来的一个demo：https://v.youku.com/v_show/id_XMzgzOTY3ODY3Mg==.html
是做一个导盲宝的产品，是看家宝+语音识别+物体识别的一个AI产品。

在我第一次看yolo的时候，看了大神的csdn的博客，看了论文，都还不是很明白，后来自己再搜集了一些资料，再仔细琢磨一下，才明白其中的原理。接下来我就用的理解写一篇笔记。尽量多用一些图来帮助大家理解。

---

2. YOLO网络和输入输出

我们先从yolo的网络结构说起。上面是YOLO的网络结构，我们看一下输入和输出：

• 输入：448 * 448 * 3 的一张图片（大小resize为448的RGB图像）
• 输出：7 * 7 * 30 的一个矩阵（其他博客上说的是tensor）

---

这个网络的输出代表着什么意思？

7 * 7 * 30 的7是yolo把图像分割成了7 * 7的表格：

这里S=7，然后对7*7=49个格子，每个格子都预测B个bounding boxes（边界框，代表着在这幅图像中一个物体的区域）。这里B=2，说明每个格子预测2个物体的边界框bounding boxes，如下如图所示。对于红色这个格子，预测出如图所示的2个黄色边界框bounding boxes。

对于每一个边界框bounding boxes，都有5个参数：x,y,w,h和confidence

• x,y就是bounding box的中心坐标，但是这个坐标是相对于对应个格子的左上角的偏移值，单位是相对于格子的大小，使得x，y范围变成0到1；
• 边界框bounding box的 w 和 h 预测值是相对于整个图片的宽与高的比例，范围也是0到1。
• confidence，表示边界框是否含有目标。由两方面组成：
  
  1)公式的第一个元素表示这个边界框含有目标的可能性大小。当该边界框是背景时（即不包含目标）等于0 ，而当该边界框包含目标时等于1 ；
  2)公式的第二个元素表示这个边界框的准确度。具体参考：IOU的解释

除了上面介绍的5个参数，还有每一个格子其还要给出预测出 C 个类别概率值，表示是由该单元格负责预测的边界框bounding box属于各个类别的概率。（这里C=20，因为论文是针对PASCAL VOC数据库，有20个类别）

接下来我们总结一下：对于一幅图像，分成7*7的格子，每个格子预测2个边界框bounding box，而且每个边界框bounding box有x,y,w,h和confidence，5个参数，最后每个格子预测出属于C 个类别概率值。那么将上面这些信息全部放在一个向量里面表示就是一个30维的列向量B * 5 + C：

对于每一个格子都有一个1*30维的向量，一共有 7 * 7 个这样的向量，就组成了最后的输出：

---

介绍了网络的输入输出，接下来还要介绍一个概念那就是边界框bounding box的类别置信度（class-specific confidence scores）:表示该边界框bounding box中目标属于各个类别的可能性大小以及边界框匹配目标的好坏

---

在上面对YOLO的输入输出进行介绍之后，不知道大家对YOLO网络有没有初步的一个了解了。接下来开始介绍根据这个输出来进行物体的识别。

---

参考文献与连接：

1. https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_3017
2. https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf
3. https://blog.csdn.net/u014380165/article/details/72616238
4. https://www.hhyz.me/2018/04/20/2018-04-21-YOLOv1/