什么是yolo?Yolo算法的網(wǎng)絡結構

Yolo算法采用一個單獨的CNN模型實現(xiàn)end-to-end的目標檢測，核心思想就是利用整張圖作為網(wǎng)絡的輸入，直接在輸出層回歸 bounding box(邊界框) 的位置及其所屬的類別，整個系統(tǒng)如下圖所示：

首先將輸入圖片resize到448x448，然后送入CNN網(wǎng)絡，最后處理網(wǎng)絡預測結果得到檢測的目標。相比R-CNN算法，其是一個統(tǒng)一的框架，其速度更快。

Yolo算法

在介紹Yolo算法之前，我們回憶下RCNN模型，RCNN模型提出了候選區(qū)(Region Proposals)的方法，先從圖片中搜索出一些可能存在對象的候選區(qū)(Selective Search)，大概2000個左右，然后對每個候選區(qū)進行對象識別，但處理速度較慢。

Yolo意思是You Only Look Once，它并沒有真正的去掉候選區(qū)域，而是創(chuàng)造性的將候選區(qū)和目標分類合二為一，看一眼圖片就能知道有哪些對象以及它們的位置。

Yolo模型采用預定義預測區(qū)域的方法來完成目標檢測，具體而言是將原始圖像劃分為 7x7=49 個網(wǎng)格(grid)，每個網(wǎng)格允許預測出2個邊框(bounding box，包含某個對象的矩形框)，總共 49x2=98 個bounding box。我們將其理解為98個預測區(qū)，很粗略的覆蓋了圖片的整個區(qū)域，就在這98個預測區(qū)中進行目標檢測。

只要得到這98個區(qū)域的目標分類和回歸結果，再進行NMS就可以得到最終的目標檢測結果。那具體要怎樣實現(xiàn)呢?

Yolo的網(wǎng)絡結構

YOLO的結構非常簡單，就是單純的卷積、池化最后加了兩層全連接，從網(wǎng)絡結構上看，與前面介紹的CNN分類網(wǎng)絡沒有本質的區(qū)別，最大的差異是輸出層用線性函數(shù)做激活函數(shù)，因為需要預測bounding box的位置(數(shù)值型)，而不僅僅是對象的概率。所以粗略來說，YOLO的整個結構就是輸入圖片經(jīng)過神經(jīng)網(wǎng)絡的變換得到一個輸出的張量，如下圖所示：

網(wǎng)絡結構比較簡單，重點是我們要理解網(wǎng)絡輸入與輸出之間的關系。

網(wǎng)絡輸入

網(wǎng)絡的輸入是原始圖像，唯一的要求是縮放到448x448的大小。主要是因為Yolo的網(wǎng)絡中，卷積層最后接了兩個全連接層，全連接層是要求固定大小的向量作為輸入，所以Yolo的輸入圖像的大小固定為448x448。

網(wǎng)絡輸出

網(wǎng)絡的輸出就是一個7x7x30 的張量(tensor)。那這個輸出結果我們要怎么理解那?

1.7X7網(wǎng)格

根據(jù)YOLO的設計，輸入圖像被劃分為 7x7 的網(wǎng)格(grid)，輸出張量中的 7x7 就對應著輸入圖像的 7x7 網(wǎng)格?；蛘呶覀儼?7x7x30 的張量看作 7x7=49個30維的向量，也就是輸入圖像中的每個網(wǎng)格對應輸出一個30維的向量。如下圖所示，比如輸入圖像左上角的網(wǎng)格對應到輸出張量中左上角的向量。

2.30維向量

30維的向量包含：2個bbox的位置和置信度以及該網(wǎng)格屬于20個類別的概率。

2個bounding box的位置 每個bounding box需要4個數(shù)值來表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心點的x坐標，y坐標，bounding box的寬度，高度)，2個bounding box共需要8個數(shù)值來表示其位置。

2個bounding box的置信度 bounding box的置信度 = 該bounding box內存在對象的概率 * 該bounding box與該對象實際bounding box的IOU，用公式表示就是：

Pr(Object)是bounding box內存在對象的概率

20個對象分類的概率

Yolo支持識別20種不同的對象(人、鳥、貓、汽車、椅子等)，所以這里有20個值表示該網(wǎng)格位置存在任一種對象的概率。