YOLO使用了 7×7 网格 (S×S)、2 个bounding boxes (B=2) 和 20 个类别 ©。

1.YOLO将输入的图片resize成448 x 448，并且为 S x S（S = 7）个grid，如果物体的中心落入该grid中，那么该grid就需要负责检测该物体。
2.对于每一个网格（grid），都会预测出B个bounding boxes（B=2），这个bounding boxes有5个量，分别是物体的中心位置（x，y）和它的高（h）和宽（w），以及这次预测的置信度（confidence score）。
3.每个框还要负责预测这个框中的物体是什么类别的,共预测C个类。

4.综上，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C)。

3.2.2 预测形状

Output = 7 × 7 × （2 x 5 + 20）= 1470

• 通过图像的宽度和高度对bounding boxes的宽度w和高度h进行归一化。x和y是对应网络单元格*（grid）的偏移量。因此，x、y、w和h都在 0 和 1 之间。每个网络单元格有 20 个条件类概率。条件类概率是检测到的对象属于特定类别的概率（每个单元属于每个类别的概率）。因此，YOLO 的预测形状为 (S, S, B×5 + C) = (7, 7, 2×5 + 20) = (7, 7, 30)。

3.2.3 非极大值抑制（Non-Maximum Suppression）

算法原理图如下：

简化理解为：

作用

• YOLO 可以对同一对象进行重复检测。为了解决这个问题，YOLO 应用非极大值抑制（NMS）来以删除重复的具有较低的置信度的预测。
• NMS使得模型的 mAP 表现增加了 2-3%。

具体实现

1.设定置信度阈值（confidence score threshold），去掉无用的bounding box 再开始做NMS，可以有效减少多余的计算量。
2.设定IoU阈值（IoU threshold） (一般用0.5，如果太高会造成物件重复检测的问题)，用来刪掉IoU值太高的两个框其中之一。
3.使用置信度（confidence score）对Bounding box 排序然后用第一的Bounding box跟其他Bounding box算IoU，如果大于IoU threshould 就将其置信度归零。
4.重复步骤2-3，直到所有物件的IoU值为0，此时剩下的就是结果。

3.3 目标损失函数

总误差函数

3.3.1 思路

• YOLO 预测每个网格单元的多个bouding boxes。为了计算TP（True positive）的损失，我们只希望其中一个bounding box负责检测物体。为此，我们选择与ground truth具有最高 IoU（交并比）的那个bounding box。这样便可以使得bounding boxes预测的更加精确。并且预测出来的某些尺寸和纵横比都会变得更好。

3.3.2 分类

YOLO用预测（predictions）和ground truth之间的平方和误差（sum-squared error）来计算损失。损失函数包括：

• 分类预测损失
• 坐标预测损失（预测的bounding box和ground truth之间的差距）
• 置信度预测损失（框的客观真实性）

3.3.3 细节

分类预测损失

• 如果检测到一个物体，则每个单元格的分类损失是每个类的类条件概率的平方差。

坐标预测损失

• 坐标预测损失可算出预测bounding box位置和大小的误差（只计算负责检测物体的box）。
• 使用差方和误差。w和h在进行误差计算的时候取的是它们的平方根，原因是对不同大小的bounding box预测中，相比于大bounding box预测偏一点，小box预测偏一点更不能忍受。我们不想对大的bounding box和小的bounding box中的绝对误差进行同等赋权。例如，一个大的bounding box中的 2 像素误差对于一个小的bounding box来说是相同的。
• 而差方和误差函数中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将bounding box的w和h取平方根代替原本的w和h。为了部分解决这个问题，YOLO 实际上预测的是bounding boxes的宽度（w）和高度（h）的平方根（square root），而不仅仅是宽度和高度。
• 因为坐标误差比分类误差大，为了增加对坐标误差为了提高bounding box的准确性，我们将损失乘以   λ c o o r d λ_{coord} λcoord​  （默认值：5）。

置信度预测损失

• 如果在 box 中检测到物体，则置信度预测损失为：
  

• 如果在 box 中没有检测到物体，则置信度预测损失为：
  

• 大多数box不包含任何物体对象。这会导致类不平衡问题，即我们训练模型时检测背景比检测物体更加频繁。为了解决这个问题，我们通过乘以  λ n o o b j λ_{noobj} λnoobj​ （默认值：0.5），对这种损失进行赋权。