目錄

一、基礎理論

優缺點

二、過程

1、對每張圖像打格

2、損失函數

2-1、損失函數介紹

2-2、參數介紹?

2-3、注意事項

---

一、基礎理論

步驟1：生成備選框。

步驟2：從備選框中找出物體邊框。

??

根據像素的突變，進行圖像分割，分出不同物體，畫出不同顏色的區域，得到備選框（proposal）。我們需要尋找的物體也在備選框中，我們需要把它從備選框中找出來。

優缺點

二、過程

1、對每張圖像打格

圖像打格過程中，物體中心落在哪個格子，那個格子就負責預測哪個物體。

?

：預測框。（Yolo v1預測2個邊框，多預測幾個邊框，留下最好的那個）

：置信度（判斷是否靠譜）（考慮兩方面：(1)是某物體的概率；(2)重合的比例）)

：是某物體的概率。?（最后結果在0~1之間）?

：交并比（重合部分越高，交并比越大）?

得到的Bounding Box五維數據：x、y、w、h、confidence。（橫、縱坐標、寬、高、置信度）

?（B不一定得是2）

?以上的五個數據分別為：width * height * (5維 * Box數量B + Confidence)

2、損失函數

由于上面有3個物體，所以獲取3個中心：

2-1、損失函數介紹

損失函數：坐標損失（Coordinate loss）、置信度損失（Confidence loss）、分類損失（Classification loss）。

???

上述4個式子分別計算：坐標、?大小、物體、背景、分類概率的loss。

（這里）誤差 = 預測 - 真實

2-2、參數介紹?

（IoU：交并比）

?object：學習物體：?

no object：學習背景：

2-3、注意事項

注：

1、(2)式用根號壓縮物體的原因：

????????小物體和大物體的差距過大，盡可能壓縮減小差距。（不壓縮的話，loss會被大物體嚴重影響）

2、(4)式noobject（背景）原因：

????????增強泛化能力。除了要學習物體的信息，我們還需要學習背景信息（有時候背景中可能有和原物體比較像的物體，但不是原物體，為了加以區分）（學習非物體的東西，提高泛化能力）。

3、(4)式加的原因：

????????為了減小背景的權重，因為背景通常更大，實際物體更小，所以背景會產生更多的損失。這樣會導致網絡去學習產生大loss的因素，即側重于學習背景，而忽略掉學習物體的特征，這不是我們想要的。

總結

以上是生活随笔為你收集整理的Yolo（1）Yolo v1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。