上期给大家展示了用VisDrone数据集训练pytorch版YOLOV3模型的效果，介绍了什么是目标检测、目标检测目前比较流行的检测算法和效果比较以及YOLO的进化史，这期我们来讲解YOLO最原始V1版本的算法原理以及其实现，话不多说马上开始。
YOLO检测系统
如图所示：当我们送一张图片给YOLO进行检测时，首先要将图片的大小调整位448*448，然后再在图像上运行单个卷积神经网络CNN，最后利用非最大值抑制算法对网络检测结果进行相关处理，设置阈值处理网络预测结果得到检测的目标，这个图像只经过一个单独的CNN模型就可以直接得到检测结果的过程又称为end-to-end（端到端）的目标检测。
YOLO具体实现
首先YOLO检测系统会将输入图像划分为S×S网格，也就是S×S个单元格，如果对象边界框的中心，也就是红色边界框的中心落入该网格单元，则该网格单元负责检测该对象，如图中红色的点就是对象狗的中心，就由这个点所处的绿色网格负责预测狗这一个目标，并得到这个狗目标的边界框以及种类。
怎么样用参数去表示上述的过程呢？为什么就可以知道这个中心点所对应的目标就是狗呢？
目标定位
上面对目标进行定位，那么如何进行目标分类呢？
目标分类
总结:
上述所讲解的所有过程如上图：也就是说我们的输入图片首先被分成S*S个网格，每个网格会预测B个边界框，这B个边界框来定位目标，预测的(x,y)实际上是由B个边界框中框住目标的那个边界框的中心，再判断该边界框的中心属于那一个网格，当网格定位好之后，再由该网格这个区域对目标进行分类。
YOLO模型架构
那么如何对这个模型最后的输出7*7*30的output进行解析，来获取我们想要的检测信息呢，即这张图片上有多少个目标，以及每个目标所对应的目标框的大小和位置信息呢？
以下面图中模型输出的7*7个网格中的其中一个网格，也就是用红色和绿色长条形进行标注的网格，大小为1*1*30为例进行讲解，其对应于输入图片中的红色网格：
最后：附上YOLOv1的原论文地址：https://arxiv.org/pdf/1506.02640.pdf，下载速度过慢的同学，后天回复关键字：YOLO，即可获取。
YOLO官网：https://pjreddie.com/darknet/yolo/
参考：https://zhuanlan.zhihu.com/p/32525231
这期给大家讲解了YOLOv1网络模型的架构，以及如何实现目标分类和定位，下期会给大家讲解YOLO模型是如何进行进行网络训练的，觉得还不错的话，请点赞、收藏、在看哦，你们的支持是我继续的动力，坚决不做白嫖党！
更多有关python、深度学习和计算机编程和电脑知识的精彩内容，可以关注微信公众号：码农的后花园
