为方便大家理解YOLO的原理，这里将YOLOv1的部分内容基础内容进行用比较直白的话和例子进行阐述，为后续大家学习YOLO作为铺垫。

1、模型所干的活

       工作中，大家经常将 Word 文档 上传到某转换器，然后转换输出为PDF文档。目标检测中我们想做的事也类似，就是输入一张图，输出一张带有框（标注对应的物体）的图片 。如下图所示：

问题：这个框是如何还出来的呢？通过模型画出来的，这模型就相当于 word到pdf的转换器。 如下图：

进一步理解，需要不断调试，不断计算损失，看看在哪个位置画框最合适。

这个模型其实就是经常所说的网络的模型。如下图：

2、相关概念

      在网络中，一切都是以数据形式存在的，更具体是以“数组”的形式存在。 

      在目标检测学习过程中，我们提到“物体”落在某个“格子”中 ，就由那个格子负责，这里的物体指的是什么，格子指的又是什么？

     下图是算是“经典”示例图了，
      当我们看到图中物体“狗”时，我们说的时“狗这个区域”如何如何，是为了便于直观的理解。但是反映在程序中，这张图片是一个多维数组（三维，长度、宽度和通道），所以在程序中，狗这个区域是用三维数组中的数值体现的。而这里所说的区域，是另一类任务即分割。

         在目标检测中，我们谈“物体”又是什么呢？就是目标框，如下图所示，我们说到物体，本质还在说这个框，因为我们需要的也正是这个框。而这个框反映在程序中，是这框的四个顶点（坐标），在程序中我们由四个顶点也就确定了这个框。或者用这个框的另一种表示： （x, y, w, h），x和y表示这个框的中心点坐标，w和h表示图片的宽高。

        所以，当我们谈物体的时候，是在谈框（包围物体的框即包围框），换句话说就是在谈四个顶点，**（x, y, w, h）**

       当我们提到“格子”的时候，先了解一下下面内容。假设下面的图片是我们用来训练的图片，即图片已经提前人工进行标记好中心点和图片宽高，人工标记好的图片中心点是（85，176），宽高是（115,232），我们的图片大小是256*256，即像素点是25*256个像素点。

        现在将每个像素点作为一个中心点画一个框，然后让这个中心点所在的框和人工标记的中心点所在的框进行计算，判断是不是人工标记的中心点所在的框，因此需要遍历并计算和判断256*256次。目前我们判断的只是一个物体（即人工标记的中心点所在的框）就需要256*256次。

       刚刚我们判断的只是一个物体（即人工标记的中心点所在的框），而实际过程中则一个图片中可能有多个物体（即人工标记的中心点所在的框），如下图所示，有3个物体（即人工标记的中心点所在的框），我们就需要3*256*256次。如果有n个物体，则需要判断 n*256*256。

       此时我们是 为每个像素点画一个框，就这么多的计算，如果每个像素点画多个框（假如是3个框，则需要3*3*256*256），计算量会直线上升。同时在实际中图片往往会更大，如2560*1440，此时计算量非常庞大。

        上面这种方式，就类似于我们在成都内找一个人一样，一个坐标一个坐标的找，花费的时间就很多。

        为减少找人时间，我们可以将成都按区划分，例如高新区、开发区、武侯区、青羊区、锦江区、温江区、金堂县、双流区、金牛区、成华区等不同区，通过这个区，也就知道一个人的大概位置了。

        同理，为了减少计算量，我们将图片进行分区，我们将图片分成 7*7=49个区。这些区就是我们所说的格子。我们将每个格子做为一个中心点画框，然后再和人工标记好的图片中心点（85，176）所在的格子所在的框进行计算，因此需要遍历并计算和判断7*7，如果是多个物体 n，则需要遍历n*7*7次。

3、数据的表示方式

      前面提到在网络中，一切都是以数据形式存在的，更具体是以“数组”的形式存在。

      那么 “狗”  即中心点所在的框如何用数据表示呢？

      在YOLO的论文中，作者将分类分为了20类，例如人、猫、狗、车、自行车等等，并且为每个分类给一个标记分别记作1、2、3、4、5......20，如下面所示：

人	猫	狗	车	自行车	....	..
1	2	3	4	5		20

        对于上图的狗，我们知道狗即中心点所在的框“落”在其中一个格子（区域）中，那么我们这里也就确定了狗在哪了。比如下图，我们给狗所在的格子赋值为它的类别3，也就是说狗和3这个值一一对应，其他物体再赋一个别的值，自然实现了区分。（为什么要赋值？因为在程序中一切都是数据，我们用3表示狗，回头预测的时候，在把3还原成“狗”这个汉字，也就好了）

       那么狗（中心点）所在的格子我们如何用数据表示呢？

      我们用长度为20的向量表示类别，而狗即中心点所在的框是人为标记的，表示属于狗这个类别，那么在狗所在的类别3的位置上记作为1，其他记0，即物体类别的one-hot编码，如下图中的蓝色部分。同时增加中心点坐标和宽高以及置信度p（表示这个是狗的概率）五个数据。

       因此狗（即中心点所在的框）的数据，可以用上图方式表示，向量长度为25。 在论文中，作者会预测两个框（即2个中心点），每个框和真值计算IoU，结果大的代表我们预测的物体。两个框的数据长度是30，形式如下：

4、损失函数

       现在我们知道了目标图片即人工标记的图片和标签所对应的形式（x,y,w,h,p,x,y,w,h,p,0,0,1,0,....,0），假如下图中标签的真实值是：（85,176,232,115,1,84,172,230,156,1,0,0,1,0,....,0），此处的红色 1 表示有物体，如果是0表示无物体。

       现在我们把需要检测的图片输入给模型，模型则会输出预测的值，蓝色和绿色分别代表两个预测的框：（84,175,234,116,0.98,83,173,231,154,0.94,0,0,1,0,....,0）,此处的0.98和0.94表示的是两个框有物体（即包含中心点所在的格子）的概率。

       我们用这个预测值和真实值进行计算点坐标的差距（损失），长宽差距（损失），还有预测的概率，以及类型的差距（损失）。

        对于标签，我们将数据组织如下形式，没有物体，所有值为0，有物体值为对应的值。如下图所示 ：

       对于有物体来说，我们需要计算中心点坐标的差距（损失），长宽差距（损失），还有预测的概率，以及类型的差距（损失）。
       我们这里的计算单元是格子，即每个格子中是否物体。作者论文中将图片划分成S×S的格子,S为7。因为格子分为有物体（即格子中有目标值的中心点）和没有物体两种情况，所以损失也分为两种情况。

       一张图片一般含有少数的物体。如上图的狗图片，含有狗、自行车、汽车三种物体。而我们的格子有49个。所以对于有物体和没有物体损失的权重是不一样的。没有物体设置一个小的权重，有物体设置一个大一点的权重。如图：

格子有物体的损失

       有物体的损失需要将坐标损失、长宽损失、置信度损失、类别损失四项相加：

格子没有物体的损失

       没有物体我们只需要计算置信度损失即可。

5、数据处理

     通过前面的讲解，我们大概知道了整体的思路和相关概念，那么我们你在训练模型的时候，为了方便数据计算，常将数据进行归一化。

图片对应的数据归一化：我们可以简单粗暴的将值除以255，缩放到0-1之间。

标签归一化：对于类别，我们采用one-hot编码归一化，对于置信度（或者说概率）采用0或1归一化，物体（中心点所在框）的x,y,w,h中，w,h除以图片的长宽即可。对于x，y同样可以除以图片的长宽。但是一般采取更巧妙的办法即局部坐标变换与缩放：原始的xy是相对于原点（图片左上角），我们将其变换到相对于所在格子的左上角（可以理解为坐标变换），然后除以格子的长宽即可。

6、部分说明

       这里的p只是一个数字的表示，例如在在人工标记阶段，p=1包含物体，或p=0不包含物体。举个例子如标签的真实值（85,176,232,115,1,84,172,230,156,1,0,0,1,0,....,0）中p=1。而预测值中p表示包含物体的概率如（84,175,234,116,0.98,83,173,231,154,0.94,0,0,1,0,....,0）中p=0.98 或p0.94。如下图：

 

      置信度则是:  C=(1-0.98)**2  * IOU

    

深入学习通道：https://blog.csdn.net/qq_41946216/article/details/132733387

参考：https://blog.csdn.net/weixin_39190382/article/details/130336487?spm=1001.2014.3001.5502