参考：
https://zhuanlan.zhihu.com/p/667046384
https://blog.csdn.net/weixin_41424926/article/details/105383064
https://arxiv.org/pdf/1506.02640

1. 算法介绍

学习目标检测算法，yolov1是必看内容，不同于生成模型，没有特别多的理论，关键在于模型结构的构造。
先直接从作者给的图，来解释yolo到底干了一件什么事情，为什么速度那么快。

我们重点分析这几张图，搞明白图就明白了算法核心。
从图中，我们要明确以下几点：

1. 输入：输入是一张完整的图片，不是说把一张图片分成S*S个网络
2. 输出：$S\times S\times (B\ast 5+C)$的矩阵：
   $S\times S$相当于把原图分成$S\times S$个grid cell，这里是7x7；
   $(B\ast 5+C)$表示每个gird cell需要预测东西，B表示需要预测多少个检测框也就是经常提到的bounding box，5表示预测的检测框属性是什么，这里是（x,y,w,h,confidence）也就是需要预测这5个值，C表示预测的类别，原文中要预测两个检测框B=2，预测20个类别C=20，也就是最终预测矩阵为7x7x30。
3. 标签：检测框大小和位置对应预测（x,y,w,h）;类别对应预测C。那还有一个confidence呢，别忘了我们的confidence是和预测的检测框绑定在一起的，那自然就是：这个检测框是我们要预测的为1，不是我们要预测的为0。那该怎么处理呢，别着急，我们先看后面损失函数，自然就明白了。

其实搞清楚我们输入输出和目标就自然而然明白了yolo是在做什么。但是仍有需要注意的地方：

• 每一个grid cell只能预测一个目标，也就是我们最后输出的7x7x30最多只能预测7x7个目标
• 预测的x,y是相对于当前grid cell 中的相对坐标，什么意思呢？预测结果每一个30维度向量都是和原图7x7个grid cell是一一对应的，其预测值也是在对应grid cell 中，比如预测的x=0.5，y=0.5，那么预测的就是对应这个grid cell的中心。
• 预测的w,h测是相对于原图W,H归一化后的结果，也就是除以W和H后的结果。

2 损失设计

我们依然看论文中原式：
看这个式子，有一点非常重要，也就是损失计算的前提：gronud truth，也就是我们给定的标签，中心点是否在我们预测的grid cell中，不在就为0，只计算在的，也就是我们不需要傻傻的把所有的预测的框都要去计算损失，也没法计算，也不需要计算，因为我们检测的是目标，标签给的也是目标的标签。看一下loss中几个符号含义，非常重要：

$1_i^{obj}$：第i个grid cell 是否预测了物体，也就是gronud truth的中心点是否在grid cell中，在为1，不在为0；
$1_{ij}^{obj}$：第i个grid cell 是预测了物体前提下，也就是$1_i^{obj}=1$的前提，第j个预测框是否预测物体，预测为1，不预测为0
$1_{ij}^{noobj}$：第i个grid cell 是预测了物体前提下，也就是$1_i^{obj}=1$的前提，第j个预测框是否预测物体，预测为0，不预测为1

那么问题来了，我该如何判断我这j个检测框，哪一个是才是预测了物体呢，很简单，把每一个检测框和groud truth求IOU，IOU最大的那个是预测了物体，其他没预测物体。预测物体的置信度标签$\widehat{C_i}=1$，否则为0。也就是：
第1、2、3排的损失是计算了第i个grid cell 是预测了物体前提下，第j个预测框是预测了物体的检测框的损失，
第4排，自然是剩下没有B-1个没有预测物体检测框的置信度损失，标签为0，
第5排，这个不用说了，当前grid cell预测的类别。
从损失来看，所有损失计算都是在ground truth 中心点在预测的grid cell中，也就是这个grid cell是来预测物体的这个前提，非常重要，不明白这一点相当于yolo白看，压根就没看懂。

至于w,h为什么带根号，很简单，有的检测框大有的小，为了让尺度尽量一致，开根号处理了以下。

3 网络结构

作者给的网络结构是早期的darknet网络，就是一直在用CNN做卷积提取特征。

4 推理

NMS非极大值抑制，很好理解：对于一个目标，我们只需要一个检侧框，主要解决的是一个目标被多次检测的问题，意义主要在于在一个区域里交叠的很多框选一个最优的。
这里推荐看https://blog.csdn.net/qq_41498261/article/details/121983012
简单来说就是排序问题：
（1）找出某个类别所有的框，最多98个，因为$7\ast 7\ast 2$（懂的都懂），假设预测dog的最终有10个框，找出这10个框，按照置信度排序从大到小排序，如1 2 3 4 5 6 7 8 9 10
（2）按照顺序第2-9和第1个计算IOU，假如设定一个阈值为0.7，IOU超过0.7从序列中排除，假如第567超过了0.7，则剔除，则新的排序为1 2 3 4 5 8 9 10
（3）按照（2）方式，计算3 4 5 8 9 10和2的结果IOU，以此类推，假如最终结果为1，2，5，则1，2，5在这个检测框是我们要的，理想情况下三个检测框检测到3条狗。
（4）进行第二个类别NMS，按照（1）（2）（3）以此类推，完成所有类别检测

备注

YOLO提供了一个端到端的检测任务，不需要分两次训练，一步完成，这也是它速度快的原因，学习v1版本会让我们更快学习后面的版本。接下来，我们会介绍v3版本，而不是v2，v3相比v2更好理解，不必非要介绍v2才可以学习v3，不必浪费时间学习v2。代码的话，低版本代码没有什么值得学习的，也不必要学习，只要学习更加先进的东西即可。