YOLOv1 沉思录

YOLOv1 沉思录

问题1：
为什么计算BBox-loss和class-loss时，只考虑正样本？负样本怎么办？

答：
BBox-loss和class-loss时，只考虑正样本，有点类似Faster RCNN中的RCNN部分，从RPN出来，只用正样本去计算RCNN部分的loss。
yolov1设置了一个参数 置信度objectness，用于检测前景或者背景，这个参数，就是平衡正样本和负样本的关键。

问题2：
为什么B（B=2）个预测框呢?

问题3：
如何确定正样本和负样本？
Yolov1中，把一张图划分为7x7个 grid cell（称之为格子），包含物体目标中心的格子，标记为正样本，反之为负样本。

问题4：预测框和GT框的IOU之间的关系？
yolo系列里面，只有正样本会去计算bbox和class的loss,负样本不考虑.
Pr(objectness)置信度的target值取1/0, 或者取预测框和GT框的IOU / 0, 1或者IOU代表正样本，0代表负样本。 这个地方和作者一样，觉得取1就可以了; 但论文是取IOU，导致后面有很多难以理解的细节，特别头疼。
Understanding a Real-Time Object Detection Network: You Only Look Once (YOLOv1)
这个文章的解析，取IOU，可以让模型学习更切合实际。

预测框和GT框的IOU，有2个用途：
第一，预测框有2个，但真实框只有一个，所以计算bbox loss只能选一个，怎么选？ 取IOU最大的框
第二，作为置信度的GT值，

问题5：
Pr(objectness)置信度，在预测时，怎么用?
论文中所说的Pr(objectness)=1，以现在的技术角度来看，就是指“正样本”。
首先要清楚一点，YOLO一共有三个预测：objectness、class、bbox。其中，objectness是一个二分类，即有物体还是无物体，也就是“边界框的置信度”，对应loss函数中的那个“C”，没物体的标签显然就是0，而有物体的标签可以直接给1，也可以计算当前预测的bbox与gt之间的IoU作为有物体的标签，注意，这个IoU是objectness预测学习的标签，和YOLO没关系。class就是类别预测，只有正样本处的grid cell才会被训练（也就是Pr(objectness)=1的地方，注意，这个Pr(objectness)=1就是指正样本的地方，和IoU没关，和YOLO没关，只和label有关，因为gt box的中心点落在哪个grid，哪个grid就是正样本，也就是Pr(objectness)=1）。bbox也是同理。

在测试阶段，YOLO一共会输出三个预测，是否有物体的objectness预测、class预测和bbox预测。首先，我们计算score=objectness*class作为每个边界框的得分score，论文中写的Pr(class)*IoU其实就是这个，这个IoU就是objectness预测，因为objectness在训练过程中的正样本标签就是IoU，所以可以认为objectness隐含了IoU的概念，但本质就是有无物体的预测。

不要忘记，objectness在训练过程中已经学会了判断每个grid cell是否有物体，那么，显然，对于有物体的地方，objectness会很接近1，class的准确预测也应该会很接近1，没有物体的地方，objectness会很接近0，class则瞎预测，毕竟它在训练阶段只计算有物体部分的class损失，不过很明显objectness会起到主导作用，即使class瞎预测了一个很接近1的值，objectness知道这里没有物体，因此会给个接近0的值，则score就很接近0了。

问题6：
如何计算正样本的c,x,y,w,h，这是每个目标检测论文里面，都想急迫脑子想思考的的问题，因为涉及到loss计算以及最后得到预测框（像手工标注那种框）
c代表置信度，上面已经说了

来看看x,y,w,h
x,y, 是相对格子的偏移量，取值在(0,1)。
w,h是相对整个图，归一化。 注意预测的时候，w,h有可能超出图，所以，有可能大于1。

• YOLO入门教程：YOLOv1(2)-浅析YOLOv1
• Understanding a Real-Time Object Detection Network: You Only Look Once (YOLOv1)

参考

• Yolo 幻灯片
  18年复现代码的时候，没少看这个幻灯片

• 图解YOLO
  作者结合了《YOLO 幻灯片》，做了解析，在18年的时候，是非常不错的解析资料

• Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3
  18年自己复现yolov1，yolov2的时候，看得就是这篇文章，中文解析缺少的情况下，文章的图示做的很清晰，思路很好，建议多读读。

• YOLO入门教程：YOLOv1(2)-浅析YOLOv1
  作者很好的解析了Yolo系列的论文，同时自己也做了代码复现，改进，是好的学习资料。yjh0410 作者本人的github地址
  作者另外还写了关于目标检测系列的文章 目标检测系列

• Understanding a Real-Time Object Detection Network: You Only Look Once (YOLOv1)
  原汁原味的yolov1，解析。

• 你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (上)
  作者从葫芦娃入手，详细的解析yolo系列的原理，手工mark代码，注意不是原汁原味的yolo，而是经过作者加工，基于yolo的原理演变出来的文章，
  是一个由简入繁的文章，不仿看看，平时多读读，多思考。