1. 概述
本文主要对 YOLO V1 的原理做一个简单的介绍，关于背景，网络上已经很多了，不再赘述。
YOLO V1 论文下载：You Only Look Once: Unified, Real-Time Object Detection
2. YOLO V1
YOLO（You Only Look Once）是一个基于深度神经网络的目标识别和定位算法，其优势是运行速度非常快，随着不断迭代，相比 V1，识别的效果也有了极大地提升。相比于 RCNN 两步配合完成检测，YOLO 直接一步到位，输入图像，输出结果，所见即所得。
3. 训练阶段
3.1 数据标注
训练数据在开始神经网络的训练之前，需要进行标注（监督学习），即下图，通过标注工具绘制 ground turth，而 ground truth 的中心点落在哪一个 grid cell，就由该 grid cell 的 bounding box 对目标进行预测。
一些说明：
（1）每一个 grid cell 预测一个类别，7 x 7 = 49 个 grid cell 预测共 49 个物体；
（2）每个 grid cell 预测两个 bounding box ，与 ground truth 交并比比较大的 bounding box 为最终预测物体的框；
（3）49 X2 = 98 个 bounding box 的中心点都落在所属的 grid cell 里面。
实现效果就是让负责预测的框与实际的框尽可能一致。
当 ground truth 的中心点落在 grid cell ，用 ground truth IOU 比较大的 bounding box 去拟合物体 ， IOU 比较小的框则抛弃。
当 bounding box 的中心点没有落在预测目标的 grid cell 中，那么其预测出的两个框都直接抛弃，预测框的置信度越低越好。
3.2 损失函数
损失函数总共包含 5 项，依次分析一下，YOLO 将目标检测问题转换为回归问题求解。
（1）负责检测物体的 bounding box 中心点定位误差
残差平方和，bounding box 要尽可能与 ground truth 重合，预测值与标签值之间做差。
（2）负责检测物体的 bounding box 的高宽定位误差
bounding box 与 ground truth 之间的宽高误差，开平方是为了平衡大框与小框对误差的敏感度。
可以看到 bounding box 偏移同样的距离，小目标所产生的误差是大于大目标的。经过开方之后，使得小框产生的误差对大框更加公平。
这是因为目标边界框与预测边界框偏移同样距离，大框和小框的 IOU 差别是不一样的。黄色：目标，绿色：预测。
（3）负责检测物体的 bounding box 的 confidence 误差
标签值为 ground truth 与 bounding box 的 IOU，预测值与 IOU 越接近越好。
（4）不负责检测物体的 bounding box 的 confidence 误差
那些被抛弃的 bounding box 的误差，包括预测到目标，但 IOU 较小的 bounding box 和没有预测到物体的 bounding box，他们的置信度越小越好，为最好为 0。
（5）负责检测物体的 grid cell 的分类误差
负责预测目标的 grid cell 的概率越接近于 1 越好，如图，预测狗 grid cell 的条件概率为 1。
损失函数中的 λ 是权重，对于真正负责检测目标的项给与更高的权重，不负责检测目标的项给与更低的权重。
| 下标 | 解释 |
|---|---|
| i | s x s 个 grid cell，为 7 x 7 = 49 |
| j | bounding box 的数目，为 2 |
4. 预测阶段
4.1 网络框架
图中上部分为 YOLO V1 的神经网络框架，一系列卷积操作的叠加。
其输入为 448 x 448 x 3 的图像，最终输出为 7 x 7 x 30 的 feature map（30 个 7 x 7 的矩阵叠到一起）。
模型预测各部分参数组成：
7 X 7 X 30 的张量解释：
30 维数据组成：
grid cell ----> bounding box:
条件预测概率：
预测过程：
输入图像到结果输出：
4.2 NMS 非极大值抑制
对最终一个预测目标获得的 98 个预测框进行筛选，过滤掉重复和低置信度的预测框，只保留下 1 个。
7 X7 X 30 张量处理：
目标检测的概率：
在每个 Bounding box 上的预测的条件概率 乘以 该 grid cell 的置信度，得到在该预测框的全概率，一个竖条表示该 bounding box 得到共 20 个分类的概率值。
如何从 7 x 7 x 30 的张量获得最终结果？
（1）以 dog 为例，将小于某个阈值（Dog 此处 为 0.2）的概率值全部设置为 0；
（2）对修改了概率之后的结果进行排序，概率值大的放到前面，小的排在后面；
（3）NMS 过程
经过排序之后，得到概率序列。具体如何取出最终的结果呢？
即将排在第二位（bb47）的概率值与第一位（bb20）比较，如果 IOU 大于某个阈值（此处为 0.5），则将小概率设置为 0，意思是小概率和大概率的 bounding box 识别的是同一个对象。
然后，再将排在第三位（bb15）与第一位（bb47）比较，如果 IOU 大于设定的阈值（此处为 0.5），则继续设置为 0，否则保留此概率，进行后一个（bb7）判定；
在完成第一轮判别之后，按照上述流程进入第二轮判定，用第一轮判定后，排在第二位的概率值继续重复比较过程，完成此次判定，以此类推，直至得到该分类的最终结果，从而进入到下一个分类。
完成所有类别的判定之后，就得到每一个分类的预测结果。
感谢参考链接处的各位博主，让知识获取变得更加容易。