• two-stage：two-stage往往是region-based方法，一个典型的region-based方法的流程是先通过计算机图形学（或者深度学习的方法，对图片进行分析，找到若干个可能存在物体的区域，将这些区域裁剪下来，放入一个图片分类器中，由分类器分类。

• one-stage：yolo被称为region-free方法，yolo只需要一个网络达到画框和分类回归，yolo不需要提前找到可能存在目标的region(没有SS或RPN这样的过程)，只需要浏览一次就可以识别出来图中的物体的类别和位置。

1. YOLOv1结构

去掉候选区这个步骤以后，yolo的结构非常简单，和普通的CNN对象分类网络几乎没有本质区别，就是卷积、池化最后加了两层全连接。

图1-1 YOLOv1的网络结构

图1-2 YOLOv1的网络结构

那么yolo是如何通过简单的卷积网络预测出目标的类别和位置信息的呢？

2. YOLOv1思想

2.1 映射关系

图2-1 输入→输出

由图2-1，每个格子对应着一个30维的向量。我只需要目标物体的点落在这个格子里，我甚至不用特别设置候选框及这框的大小位置，自然由30维的向量推断出这个物体的大小和位置，以及类别。

图2-2 30维输出向量

• 输入：输入图片先reshape为448×448大小，然后将图片分割成$S^2$（通常$S=7$）个grid，每个grid的大小都是相等的，YOLOv1只要求物体的中心落入这个grid之中。

• 输出：

  • 我们要让$S^2$个grid每个预测出$B$（通常$B$=2）个bounding box和$C$（PASCAL VOV=20）个类别的概率。
  • 每个bounding box包括5个量：bounding box的预测置信度(confidence)+目标物体的中心位置(x,y)+物体的高(h)和宽(w)。
  • 输出的shape：(S,S,B×5+C)

对于输出：

1.x,y,w,h是需要先进行归一化的：

x=x在该grid的距离/grid的宽

y=y在该grid的距离/grid的高

w=w/输入宽(448)

h=h/输入高(448)

2.bounding box的预测置信度(confidence)：

confidence就是这个bounding box有多大的信心判定就是这个类。

该图被分成了49个grid，每个grid预测2个bounding box，因此上面的图中有98个bounding box。这里根据置信度不同设定边框粗细，置信度高的比较粗，置信度低的比较细。

confidence的公式：
$confidence=Pr(obj)\ast IO{U}_{truth}^{pred}$

$Pr(obj)=1$，有物体；$Pr(obj)=0$，无物体；
$IO{U}_{truth}^{pred}$是bounding box和ground truth的交并比。

2.2 个人理解

回到最开始的问题yolo是如何通过简单的卷积网络预测出目标的类别和位置信息的呢？

我理解为：通过将输入划分$S^2$个grid，经过一系列的卷积池化，输出(S,S,B×5+C)的参数，这参数就表示每个grid预测的类别和B个bounding box（他们很粗糙地覆盖了图片的整个区域），包括每个bounding box的位置和confidence。经过不断训练这个网络，在损失函数的约束下，类别和bounding box的5个参数会越来越准确。

这里的一个小点：在两个bounding box的类别参数都是相同的情况下，即同一个物体被多个bounding box识别了，用NMS选择confidence大的那一个。

3.YOLOv1损失函数

图3-1 损失函数

损失就是网络实际输出值与样本标签值之间的偏差：

图3-2 真实标签与预测误差