YOLO物体检测模型？

Question

目前，我正在阅读Yolo9000型号＆＃34; https://arxiv.org/pdf/1612.08242.pdf＆＃34;我很困惑模型如何预测对象检测的边界框，我用Tensorflow做了很多例子，并且在大多数情况下我们给模型＆＃34;图像的图像和标签＆＃34;。

我的问题是：   1-我们如何将边界框而不是标签传递给模型？   2-模型如何知道许多盒子属于一个图像？

Answer 1

在YOLO中，我们将图像分成7X7网格。对于每个网格位置，网络预测三件事 -

1. 对象存在于该网格中的可能性
2. 如果一个物体位于这个网格中，那么它的坐标是什么 边界框？
3. 如果一个对象位于此网格中，则该类执行此操作 属于？

如果我们对所有49个网格位置的所有上述变量应用回归，我们将能够确定哪些网格位置具有对象（使用第一个参数）。对于具有对象的网格位置，我们可以使用第二个和第三个参数告诉边界框坐标和正确的类。

一旦我们设计了一个可以输出所需信息的网络，就可以用这种格式准备训练数据，即在数据集中的每个图像中找到每个7X7网格位置的参数。接下来，您只需训练深度神经网络以回归这些参数。

Answer 2

要传递图像的边界框，我们需要先创建它。您可以使用特定工具为任何图像创建边界框。在这里，您必须创建绑定其中对象的边界，然后标记该边界框/矩形。您可以为希望模型训练/识别的图像中的每个对象执行此操作。

这个link中有一个非常有用的项目，如果你需要了解边界框，你应该检查一下。

我刚开始用tensorflow学习对象检测。因此，当我获得有关向对象检测模型提供边界框的正确信息时，我也将在此更新。此外，如果您现在已经解决了这个问题，您还可以提供详细信息，以帮助其他人遇到同样的问题。

Answer 3

1-我们如何将边界框而不是标签传递给模型？

例如，如果要训练执行对象检测（而不是对象分类）的模型，则必须将真值标签作为.xml文件传递。 xml文件包含有关图像中存在的对象的信息。有关对象的每个信息均由5个值组成：

1. 该对象的类名，例如汽车或人类...
2. xmin：框左上角点的x坐标
3. ymin：框左上角点的y坐标
4. xmax：框右下角的x坐标
5. ymax：盒子x右下角点的y坐标

将图像内的一个边界框指定为一组5个值，如上所述。如果图像中有3个对象，则xml文件将包含3组该值。

2-模型如何得知许多盒子属于一个图像？

您知道，YOLOv2或YOLO9000的输出具有形状（13、13，D），其中D取决于要检测的对象类别。您可以看到有13x13 = 169个单元（网格单元），每个单元为D值（深度）。

在169个网格单元中，有一些网格单元负责预测边界框。如果真实边界框的中心落在网格单元上，则当给定相同图像时，该网格单元将负责预测该边界框。

我认为必须有一个读取xml注释文件并确定哪个网格单元负责检测边界框的功能。

要使模型不仅学习类，还需要学习盒子的位置和形状，我们必须构建适当的损失函数。 YOLOv中使用的损失函数也将成本放在盒子的形状和位置上。因此，将损失计算为以下各个损失值的加权总和：

1. 丢失课程名称
2. 丢失框位置（x-y坐标）
3. 丢失框形状（框的宽度和高度）

侧面说明：

• 实际上，一个网格单元最多可以检测B个盒子，其中B取决于 YOLOv2的实现。我用darkflow在我的
  上训练YOLOv2 自定义训练数据，其中B为5。因此该模型可以检测到169 * B 箱，总共是169 * B小损失之和。
• D = B *（5 + C），其中C是您要检测的类数。
• 在传递到模型之前，框的形状和位置为 转换为图像尺寸的相对值。