在训练步骤中Yolo v1边界框

Question

我想实现Yolo v1，但我对该算法有一些疑问。

我理解在YOLO中，我们划分每个单元格的图像（7x7），我们预测固定数量的边界框（本文默认为2，有4个坐标：x，y，w，h），一个置信度得分，我们也预测每个细胞的类别得分。在测试步骤中，我们可以使用NMS算法进行删除 多个检测对象。

1）我们什么时候将图像分成网格？事实上，当我阅读他们提到的用于分割图像的论文时，但当我看到网络的架构时，似乎我们有两个部分：卷积层和FC层。这是否意味着网络自然而然地“＃34;边框输出？网格7x7的大小是否特定于卷积部分使用它的纸张？如果我们使用例如VGG它会改变网格的大小吗？

编辑：看起来网格被划分了“虚拟”＃34;感谢我们的网络输出。

2）每个细胞使用2个边界框。但是在一个单元格中，我们只能预测一个对象。为什么我们使用两个边界框？

  

在训练时我们只需要一个边界框预测器   负责每个对象。我们分配一个预测变量   “负责”预测基于哪个对象   预测具有与地面最高的当前IOU   真相。这导致边界框之间的专业化   预测。每个预测变量都能更好地预测某些预测变量   尺寸，纵横比或物体类别，总体上有所改善   召回。

3）我真的不明白这句话。实际上，据说图像中的每个对象都有一个边界框。但是边界框仅限于单元格，因此当对象大于一个单元格时，YOLO如何工作？

4）关于输出层，据说它们使用线性激活函数，但它是否使用等于1的最大值？因为他们说他们将0和1之间的坐标标准化（我认为它对于置信度和类预测是相同的）。

Answer 1

1）最终层的输出将是大小为SxSx（5B + C）的向量。这意味着如果你将采用这个向量，你将获得前5个值，即1，s单元格中第一个框的x，y，w，h和置信度，那么后五个值将对应于第二个边界框在第一个单元格中，您将拥有与类概率相对应的C值，让我们假设您有两个类和网络的以下输出[0.21 0.98]，因此第二个类具有更大的概率，这意味着网络认为它是这个网格单元中的第二类。所以，是的，你是正确的形象被虚拟分割。

2）当他们训练网络时，他们选择哪个预测器（从某个网格单元中的B个框中读出一个框）来惩罚。他们用最高的IoU选择一个具有基本事实的预测器。从纸张引用：＆＃34;我们根​​据哪个预测具有最高当前IOU和基本事实来指定一个预测器“负责”预测对象。＆＃34;因此，让我们说在预测期间第一个框的IoU为0.3，第二个框的IoU为0.7，我们选择第二个框来负责预测该对象，我们将仅从该框中累积损失。因此，例如，在训练期间，网络将自然地学习用第一预测器预测高箱子（人）和用第二预测器（汽车）预测宽箱子。因此，使用多个框的原因是能够预测具有不同宽高比的框。

3）＆＃34;但是边界框仅限于单元格，因此当对象大于一个单元格时，YOLO如何工作？＆＃34;。由YOLO预测的边界框不限于网格单元，只有其（x，y）坐标限于网格单元。他们在论文中写道：＆＃34;（x，y）坐标表示相对于网格单元边界的框的中心。相对于整个图像预测宽度和高度。＆＃34;。因此，您可以看到它们预测bbox相对于整个图像的宽度和高度，而不是网格单元格。

4）嗯，我不知道这个问题的答案，但我可以说，在他们的代码中他们也使用检测层，计算损失，IoU和许多其他东西。我不太擅长阅读他们的代码，但你可能会有更好的运气：this is code for detection layer in yolo github

P.S。关于YOLO的另一个很好的信息来源：Joseph Redmon's presentation on youtube