没写完，后续更新
YOLOv1 论文📃传送门🚪：《You Only Look Once: Unified, Real-Time Object Detection》👈快戳我🥵
介绍
YOLO 已经成为目前最热门🔥🔥🔥的目标检测算法之一，虽然 YOLO 的作者在写完 YOLOv3 后，便停止了开发，但由于 YOLO 的卓越性能和创新性，吸引了不少企业、研究院对 YOLO 的改进，使得 YOLO 已经子孙满堂，玩出花🪷来了。但本文的重心依然是 YOLOv1
YOLO 的全名是 You Only Look Once，你只需要看一次。在 YOLO 中，我们将目标检测看作为一个回归问题，所以只需要在图片上"看"一次，就可以获取目标的所有边界框和类别。也正因将检测视为回归问题，所以 YOLO 的速度非常快。并且，由于不需要复杂的流程，测试时只需要在图片上简单的运行的神经网络就可以来预测检测
好了好了，下面来粗略瞅瞅 YOLOv1 都干了啥吧
在上图中，我们经历了以下操作：
- 调整图片大小，将输入图片大小调整为 448×448
- 将图片放入卷积网络运行
- 根据模型输出的置信度对结果进行非极大值抑制（NMS）
然后，再来欣赏下 YOLO 的魔力🪄吧（虽然 YOLO 在艺术品和自然图像上的运行结果中，它将人误检成了飞机，但它大部分上是准确的）
概念梳理
先不急，在谈 YOLO 是如何检测目标之前，先来解释一下 IOU、置信度、非极大值抑制（NMS）的概念💡。当然，倘若阁下对此早已了然于胸，那么也可以跳过这部分内容
IOU
IOU（交并比，intersection over union），交并比嘛，顾名思义咯，就是描述集合A与集合B的交集与并集之比的一个数值🔢
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> I O U = A ∩ B A ∪ B IOU = \frac{A\cap B}{A\cup B} </math>IOU=A∪BA∩B
IOU 可以描述两个框的重合度，它们的 IOU 等于两个框重合部分的面积除以它们合并起来的面积。在 YOLO 中，IOU 可以描述模型预测框与实际框之间的重合度
在上图中，"交集"中青色区域是两个框的重合部分，"并集"中蓝色区域是两个框的相并部分。"交集"除以"并集"即可得到它们之间的 IOU
置信度
置信度（confidence）表示预测框与实际边界框之间的 IOU，即 <math xmlns="http://www.w3.org/1998/Math/MathML"> c o n f i d e n c e = P r ( O b j e c t ) ∗ I O U p r e d t r u t h confidence = Pr(Object)*IOU^{truth}_{pred} </math>confidence=Pr(Object)∗IOUpredtruth。 <math xmlns="http://www.w3.org/1998/Math/MathML"> P r ( O b j e c t ) Pr(Object) </math>Pr(Object) 为是否有目标，有就为1，没就是0。
置信度反映了该模型对预测框的准确程度。在设置标签时，如果该单元格中存在目标，则置信度应为1（因为有目标， <math xmlns="http://www.w3.org/1998/Math/MathML"> P r ( O b j e c t ) = 1 Pr(Object) = 1 </math>Pr(Object)=1，并且我们希望预测框与实际边界框完全重合， <math xmlns="http://www.w3.org/1998/Math/MathML"> I O U p r e d t r u t h = 1 IOU^{truth}_{pred} = 1 </math>IOUpredtruth=1）。如果该单元格中不存在目标，置信度应该为0。在测试时，当置信度输出为1，说明预测框与实际边界框完全重合，这是再理想不过🌈的，但如果置信度为0，那就寄了，懂吧😧😧😧
于是乎，这里有一个问题🫤⁉️，既然置信度是预测框与实际边界框之间的 IOU，那么在测试的时候可没有实际边界框来让我们计算 <math xmlns="http://www.w3.org/1998/Math/MathML"> I O U p r e d t r u t h IOU^{truth}_{pred} </math>IOUpredtruth 噢！吾当如何？🤔主公莫怕！且听臣下细细道来。因为我们将置信度设置为了标签，所以训练的过程中，模型会不断的学习置信度的规则，使得模型最终输出的就是置信度
既然说了这么多，这里再插一嘴，提一提🫴置信度分数（confidence scores）。在测试的时候，模型会输出一堆的预测框，但并不是每个都有用的，所以需要进行筛选。至于筛选的依据是什么，这不就来咯------👉置信度分数👈
在上图中， <math xmlns="http://www.w3.org/1998/Math/MathML"> P r ( C l a s s i ) Pr(Class_{i}) </math>Pr(Classi) 表示类别的概率，IOU 的就不必多言了。so？置信度分数＝类别概率×置信度预测值
非极大值抑制
置信度分数是为了筛选预测框而存在的，巧了🫡，NMS（非极大值抑制，Non-Maximum Suppression）也是为了筛选预测框而存在的。非极大值抑制，顾名思义，不是最大的值就要抑制了。在依据置信度分数进行初步筛选后，可能会出现如下图所示的尴尬😅的情况
图中，目标是车🚙，但这里却有3个预测框，该如何进一步的筛选，吾又当如何？😨主公莫怕！有上将 NMS，定可斩杀冗余预测框，取得目标最终预测框。NMS 的步骤其实蛮简单，排序、比较、筛选、重复以上步骤
- 排序： 对于所有的预测框按照置信度分数进行排序
- 比较： 选出置信度分数最大的预测框作为标准，将剩余的预测框与这一标准比较
- 筛选： 若二者的 IOU（重合度）高于阈值，则去除这一预测框
在上图中，对橙框🟧、蓝框🟦、绿框🟩根据置信度分数排序，得 [🟧0.9, 🟦0.8, 🟩0.7]，最大的是 🟧0.9，将蓝框🟦、绿框🟩与橙框🟧作比较，设置阈值0.6，这里很明显啦~蓝框🟦、绿框🟩和橙框🟧的 IOU 值都大于阈值0.6（肉眼都看得出吧😏）
由此可见，NMS 其实在单个目标具有多个预测框的情况下进行进一步的筛选
检测
至此，终于进入了正文......
网格分割
我们先将输入的图像分成S×S的网格。如果目标的中心落入了某个网格中，则由该网格负责检测该目标（包括目标的边界框、类别、置信度）。下面是一张网格的可视化图，我们设置 S=7，将图像一共分成了49个网格
网格预测
每个网格预测B个边界框，一个边界框包含5个预测：x、y、w、h和置信度。(x, y) 表示边界框中心相对于网格边界的偏置（这里的网格边界一般指网格的左上角），(w, h) 是边界框的宽度和高度，置信度表示预测框与实际边界框之间的 IOU
前面说 (x, y) 表示边界框中心相对于网格边界的偏置（这里的网格边界一般指网格的左上角），"边界框中心"指上图的蓝点🔵，"网格的左上角"指上图的红点🔴
当然，(x, y, w, h) 在设置标签的时候还需要进行归一化处理，将 (x, y) 对于网格的尺寸做归一化，(w, h) 对于整张图片的尺寸做归一化
非常的抱歉😞，对于 (x, y, w, h) 的部分，笔者承认写的不好，因为懒得画图，有些细节解释有不周到，读者若有不理解之处，在评论区探讨或是自寻其他资料吧🤐
同时，对于存在目标的网格，网格还负责预测C个类别。在测试时，我们将类别概率乘以置信度预测值，也就是置信度分数，分数编码了该类出现在框中的概率以及预测框拟合目标的程度
我们将图像分成S×S的网格，并让每个网格都生成B个预测框，这些预测框生成 (x, y, w, h, confidence) 以及C个类别的概率。这些预测结果被编码为 S×S×(B×5+C) 的张量
我们使用Pascal VOC数据集，使用S=7，B=2，即将图片分成7×7＝49个网格，每个网格会生成2个预测框。Pascal VOC有20个类别，所以C=20。我们最终的预测是 (7, 7, 30) 的张量（30=2×5+20，20：类别数，5：(x, y, w, h, confidence)，2：2个预测框）
模型构建
网络的构建受到 GoogLeNet 图像分类模型的启发。YOLOv1 网络有24个卷积层，后面是2个全连接层，网络最终输出是 (7, 7, 30) 的张量。并且对最后一层使用线性激活函数，所有其它层使用下面的 Leaky ReLU 激活函数
模型训练
预训练
YOLOv1 先在ImageNet 1000类竞赛数据集上预训练卷积层。但是在预训练中，只使用前面的模型图的前20个卷积层，接着是平均池化层和全连接层，进行了大约一周的训练🏋️（一周的训练......劝退了）
预训练结束后，进行模型转换，去除了原本的平均池化层和全连接层，随后增加了4个卷积层与2个全连接层
正式训练
YOLOv1 使用了64的批大小，0.9的动量和0.0005的衰减率，在Pascal VOC 2007和2012的训练和验证数据集上训练了约135个周期
具体的训练方案如下
- 第1个训练周期中慢慢地将学习率从0.001提高到0.01
- 以0.01的学习率训练75个迭代周期
- 0.001的学习率训练30个迭代周期
- 最后用0.0001的学习率训练30个迭代周期
为了防止过拟合，使用了 Dropout 和数据增强。在第一个全连接层之后使用 rate=0.5 的Dropout层。对于数据增强，引入高达原始图像20%大小的随机缩放和转换。还在HSV色彩空间中使用高达1.5的因子来随机调整图像的曝光和饱和度
总结
因为每个网格只能预测1个框，一共49个网格，所以模型最多也就预测49个框。也因为这点，使得模型难以成群出现的小物体（比如鸟群，似乎这是任意模型的通病）