目录
一、Yolo系列v1
1、核心思想
2、示例
3、流程图解析
二、YOLO系列v1损失函数
1、位置误差
2、置信度误差
3、类别概率损失
三、NMS非极大值抑制
1、概念
2、步骤
四、YOLO v1优缺点
1、优点
1）速度快
2）端到端
3）多尺度预测
4）网络结构简单
2、缺点
1）对小目标检测效果差
2）每个网格只能生成两个框，且只能预测一个类别
一、Yolo系列v1
1、核心思想
将一幅图像分成SxS个网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。YOLO v1将图像分为7*7个网格
2、示例
对于上图，YOLOv1将输入图片划分成7×7的网格，每个网格允许预测出2个边框（bounding box），这些边框的大小可以超出当前网格的范围，对于每个边框，YOLOv1都预测了5个参数，分别是中心坐标(x, y)、宽度w、高度h以及置信度confidence。置信度反映了模型对边框内包含物体的信心程度以及边框的准确度。
3、流程图解析
YOLOv1的网络结构主要由卷积层、池化层以及最后的全连接层组成。
网络的输入是448x448x3的彩色图片，输出是7x7x30的张量（tensor）。
7x7表示将输入图片划分成了7*7个网格（grid），每个网格负责检测其内的物体。
30表示每个网格内的30个预测信息，包括20个类别概率（以PASCAL VOC数据集为例，该数据集共20个类别）、2个预选框（bounding box）及其置信度（每个边界框包含中心点坐标x、y，宽度w、高度h以及一个置信度分数）。
坐标点x,y（相对于网格单元格边界的框的中心）用对应网格的归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。
二、YOLO系列v1损失函数
1、位置误差
如上图所示，其为位置误差的计算公式，其中对应的值为一个系数，表示如果你觉得位置误差更重要，那么就设置大一点，置信度误差与分类误差也是同样的意思
第二个红框内的符号表示第i个网格的第j个预选框，如果负责预测物体，那么整体的值为1，反之为0
前面的求和符号s平方表示网格的格式，例如YOLO v1中的网格个数为7*7，然后B表示预选框的个数，此处数值为2，后面的x表示预选框的中心点的坐标x，y，以及预选框的宽w、高h。
2、置信度误差
的值所表示的意思和上述一致，但是第二个像阿拉伯数字1noobj的符号，其所表示的值和上述位置误差中的相反，此处表示第i个网格，第j个预选框，如果不负责预测物体，那么他的值为1，否则为0，
C的表示置信度的值，置信度C的值 = Pr类别概率 * IOU
类别概率表示边界框（预选框）内存在对象的概率，若存在对象则为1，不存在则为0，IOU为预测的位置框和真实值的框相交集的值除以并集的值的大小。
Ci表示模型预测出来的置信度的值，C^i的值表示实际计算得到的置信度的值
3、类别概率损失
这里第一个求和符号后面的小符号，表示第i个网格是否包含物体，如果包含，那么其值为1，否则为0
pi(C)-p^i(C)表示预测的类别的概率减去真实标签的概率，例如模型输出20类别的结果，即有20个数据，其中有预测到狗的概率，加入标签打的是狗，只需要将20个数据中预测狗额概率的值取出来，然后减去1，在对结果平方即可
三、NMS非极大值抑制
1、概念
在目标检测过程中，通常会生成大量的候选框，当前v1版本有2个复选框，这些候选框可能会有重叠或者包含关系。为了减少重叠的候选框，避免重复检测同一个目标，使用非极大值抑制可以筛选出最佳的目标框。
例如上图中，同一个人脸被多个预选框预测出来，导致了预选框的重叠，此时可以将置信度低的抑制了，只保留最大的那个。
2、步骤
1）对所有的候选框根据某个评分指标（例如置信度得分）进行排序，得到一个有序列表；
2）选择评分最高的候选框，并将其添加到最终的目标框列表中；
3）计算当前选择的候选框与其他未选择的候选框的重叠区域，并计算重叠区域与两个候选框面积的比值；
4）如果重叠区域与两个候选框面积的比值超过了设定的阈值，则将该候选框从列表中移除；
5）重复步骤2~4，直到所有的候选框都被处理完毕。
四、YOLO v1优缺点
1、优点
1）速度快
YOLO v1的设计初衷就是实现实时目标检测，相较于其它目标检测算法如R-CNN和SSD，YOLO v1在保持较高准确率的同时，能够达到更快的检测速度，每秒处理上百张图片。
2）端到端
YOLO v1是一个端到端的算法，它将目标检测任务作为一个单一的回归问题进行处理，通过在全局上直接预测目标的类别和位置，避免了复杂的后处理步骤。
3）多尺度预测
YOLO v1在训练和测试阶段都会对不同尺度的图像进行处理，通过将输入图像划分为网格单元，并生成边界框，确保对不同尺度的目标能够进行有效的检测。
4）网络结构简单
YOLO v1的网络结构相对简单，由24个卷积层和2个全连接层组成。这种端到端的网络结构使得YOLO v1易于实现和部署。
2、缺点
1）对小目标检测效果差
由于输入图像大小为448x448，而输出特征图大小为7x7，因此YOLO v1在下采样过程中会丢失大量小目标的特征信息。这导致YOLO v1对小目标的检测效果不理想，容易出现漏检或误检的情况。
2）每个网格只能生成两个框，且只能预测一个类别
这一限制使得YOLO v1在处理多类别、多目标的情况时存在一定的局限性，例如图像重叠时，无法预测
