你真的读懂yolo了吗？

主要观点总结

本文介绍了YOLO（You Only Look Once）算法的思想、模型流程以及训练阶段的关键点。文章首先解释了YOLO的目标检测原理，然后详细描述了模型架构和输出的意义，包括confidence预测、bounding box预测和类别预测。最后，介绍了训练阶段的loss计算。

关键观点总结

关键观点1: YOLO算法思想

YOLO将目标检测任务划分为固定维度的网格输出，每个网格的cell负责预测落在其中心位置的物体的类别和bounding box的坐标。这种固定维度的输出方式解决了模型输出维度不确定的问题。

关键观点2: 模型架构

YOLO网络架构包括模型输出网格、channel数目和每个cell内的元素组成。每个cell有两个predictor，分别预测一个bounding box的xywh和confidence。类别预测是共享的，但每个predictor都有自己的bounding box预测。

关键观点3: 模型输出的意义

模型输出的confidence表示cell预测的bounding box包含一个物体的置信度。bounding box的xywh表示物体相对于cell的位置和相对于图片的大小。类别预测是条件概率，表示在cell存在物体的条件下物体的类别概率。

关键观点4: 训练阶段的loss计算

训练阶段的loss计算包括分类loss、confidence loss和xywh loss。有物体中心落入的cell需要计算分类loss和confidence loss，预测的bounding box与ground truth IOU较大的那个predictor需要计算xywh loss。没有物体中心落入的cell只需要计算confidence loss。