关于Yolo的困惑

Question

我对Yolo的工作方式有点困惑。 在论文中，他们说：

“置信度预测表示之间的IOU 预测的盒子和任何一个真实的盒子。“

但是我们如何拥有真相盒？假设我在未标记的图像上使用我的Yolo网络（已经过训练）。那么我的信心是什么？

很抱歉，问题很简单，但我真的没有得到这个部分...... 谢谢！

Answer 1

  

但是我们如何拥有真相盒？

你似乎对训练数据到底是什么以及YOLO的输出或预测感到困惑。

训练数据是一个边界框以及类标签。这被称为“地面实况框”，b = [bx, by, bh, bw, class_name (or number)]其中bx, by是带注释的边界框的中点，bh, bw是框的高度和宽度。

对于图像b，输出或预测是边界框c以及类i。 形式上：y = [ pl, bx, by, bh, bw, cn ]其中bx, by是带注释的边界框的中点。 bh, bw是框的高度和宽度，pc - 在＆＃39;框中有类c的概率。 b。

  

假设我在没有标记的图像上使用我的Yolo网络（已经过训练）。那么我的信心是什么？

如果您说您拥有预先训练过的模型（您指的是已经过培训过的模型），那么您的网络已经知道了＃39;某些对象类的边界框，它会尝试估算对象在新图像中的位置，但在这样做时，您的网络可能会预测其他地方的边界框。那么你如何计算其他地方的盒子数量呢？＆＃39 ;?求救！ IOU（Intersection Over Union）所做的是，它会得到你在工会领域的重叠区域得分。

IOU = Area of Overlap / Area of Union

虽然它很少完美或者1.它稍微接近一点，IOU的价值越小，YOLO就越糟糕地预测参考真实性的边界框。 IOU得分为1意味着边界框可以参照实际情况准确或非常自信地预测。

Answer 2

YOLO使用IOU来衡量培训的权重。当你搜索它的那些IOU时，你会发现它。

因此，在训练此IoU分数时，会计算验证数据的预测值。这意味着

(Prediction of object)*IoU score

希望它会帮助你。

Answer 3

我认为您所需要的只是一个良好的形象，阐明什么是基本事实。

您可能会在左边看到完美包裹对象的矩形是地面实况（蓝色）。

橙色矩形是预测的矩形。您可以从图像的右侧直观地看到 IoU 。

希望这会有所帮助。