YOLO的特点：使用来自整张图像的特征来预测每个bounding box
首先，将整张图分成S*S的网格，如果一个物体的中心落在某个网格中，就用该网格检测这个物体。
每个网格预测B个bounding box，以及对应的置信度。
置信度的含义：
- 模型确定这个box包含有物体的程度
- 模型认为box属于预测出来的物体的准确程度
置信度的定义：
也就是，cell里边没有物体时，等于零，否则，等于IOU
每个bounding box包括五个预测值：xywh+confidence
(x, y)代表box的中心相对于网格边界的坐标
宽w和高h根据整个图像进行预测
置信度confidence代表预测框和GT之间的IOU
每个网格还预测了C个条件概率：
无论每个网格预测的bounding box数目B是多少，我们都只为一个网格预测一组类别概率
在test阶段，将条件概率和每个box的confidence相乘：
得到每个box的每个类别的置信度confidence
这个得分反映了：
- 对应类别在该box中出现的概率
- 预测的box拟合物体位置的程度
对于VOC数据集：
S=7
B=2
C=20
最终预测7*7*30 tensor（30 = 20类的条件概率+(x+y+w+h+confidence)*B）
网络设计
24卷积+2全连接
交替的1*1卷积层：减少特征空间
在ImageNet-1000类上预训练（使用一半的分辨率224*224input），在detection阶段使用448*448
网络的最终输出为7*7*30张量
Fast YOLO：
使用9卷积层而不是24，每层卷积核也更少，其他一样
训练
预训练：
使用前20个卷积层，接平均值池化，最后接全连接
训了大约一个星期，在ImageNet 2012 val set上top-5 acc是88%
训练和推断使用darknet框架
依据文献[29]，向预训练网络增加卷积层和连接层可以增强performance
[29] S. Ren, K. He, R. B. Girshick, X. Zhang, and J. Sun. Object detection networks on convolutional feature maps. CoRR, abs/1504.06066, 2015. 3, 7
接下来转换模型，用于目标检测：
跟据[29]，增加四个卷积层和两个全连接层（随机权重）
detection需要细粒度的视觉信息，因此把输入分辨率从224*224提高到448*448
关于bounding boxd 宽高wh：根据图像宽高，normalize to [0, 1]
关于坐标xy：参数化成相对于某一个网格的偏置，也归一到[0, 1]
结合代码理解：
关于predict_boxes的输出，我们知道predict_boxes的输出是网络前向传播后预测的候选框。固定思维让我们认为，predict_boxes的值就是类似gt_box坐标那样的（x,y,d,h）坐标。错！保持这个固有的思维，这段代码就无法看懂了，我也是不断推测的，才知道实际上道predict_boxes各个坐标的含义。
predict_boxes中心坐标真实含义
其实predict_boxes中的前两位，就是中心点坐标（x,y）代表的含义如上图，是predict_boxes中心坐标离所属格子（response）左上角的坐标。而predict_boxes中的后两位，其实并不是predict_boxes的宽度高度，而是predict_boxes的宽度高度相对于图片的大小（归一化后）的开方。
那么我们所说的输入predict中包含的坐标信息，就不是
（中心横坐标，
中心纵坐标，
宽，
高）
而是
（中心横坐标离所属方格左上角坐标的横向距离（假设每个方格宽度为1），
中心纵坐标离所属方格左上角坐标的纵向距离（假设每个方格高度为1），
宽度（归一化）的开方，
高度（归一化）的开方）
这里理解了，后面理解起来就很easy了。
注：predict_boxes部分引用自 <https://zhuanlan.zhihu.com/p/89143061>
这里注意：
对比V3，在YOLOv3实现代码里，这里是先生成一个416*416的灰色色块（R、G、B的值均为128），然后将resize之后的原图粘贴到灰色块中间
激活函数：
最后一层使用线性激活函数，其他层使用leaky RELU
loss：
一开始使用平方和，但是：
- 平等对待位置损失和分类损失
- 大多数网格不包含检测的物体，这些网格的confidence接近于0，导致这类样本比含有物体的样本多，导致模型偏斜
解决方案1：
增加bounding box坐标产生的loss，减少不包含物体的预测结果loss
为两个loss添加权重：
问题2：
平方和将大box和小box的error看做平等的
解决方案2：
预测bounding box的h，w的平方根，而不是直接预测bbox
loss function：
表示物体是否在网格cell_i中出现
表示第i个网格（cell）中的第j个bbox与预测结果相关联
训练参数：
train：VOC2007 and VOC2012
135epoch
当在2012上test时，还训练集还包括了VOC2007test
batchsize=64
momentum=0.9
decay=0.0005
lr：
使用了droupout=0.5，在第一个全连接之后
数据增强：
随机缩放、位移、曝光、饱和度
推断
非极大值抑制
局限性
-
每个网格预测两个bbox，且只能有一个分类结果
对于成群出现的小目标，效果不好
- 对于新的/异常的长宽比或配置，效果不好
- 使用了多个下采样，只是用粗粒度特征
- loss平等对待小bbox和大bbox，主要的error来源是错误的位置
