YOLO V1簡介

1、將一幅圖分成S*S的網格，如果某個object落在這幅圖片的中心，那麼就讓這個網格負責這個object！！

2、每一個網格都要負責預測B個bounding box，每個bounding box除了要預測位置之外，還是需要預測confident的值。除此之外每一個網格還需要預測C個類別的分數

例如在Pascal voc資料集上，我們取B = 2，這個資料集的種類是20個，則我們需要預測的類別個數為20，即C=20

最後，我們預測的向量維數為：7*7*30    ：

7*7是S的值，也就是圖片被分割的個數值；30 = （4+1）*2+20

4+1 ： 4為bounding box的個數，1為confident值

20：為物體的類別

每一個bounding box 都有5個值，分別是（x，y，w，h）+ confident值（x，y為中心座標）；（w，h為長和寬）---->四組資料表明了一個bounding box

confident = （如果box中確實有object就為1）*IOU（true，union）

IOU = 交併比（相交的資料）/ （相併集的資料）

損失函式：

目標邊界框的損失計算；confidence 損失；classes 損失

為什麼要對bounding box進行開方處理，

對於不同尺度的IOU，對於不同尺寸的圖片損失都是不同的

偏移相同的距離，尺寸較大的圖片，IOU值比較大！！，尺寸較小的圖片IOU小

YOLOV1 缺點：

1、對群體性的小目標，預測性很差！！！，因為在YOLOV1中，每一個cell只預測兩次，所以如果是很小的object那麼IOU必然就會很小，那麼損失函式必然會很大，因為損失函式很大之後，可能會被當作誤差，被正則函式清理掉了！！！

2、當同一個物體出現了新的大小的時候，預測效果會比較的差！！ ---> 主要來自於定位不準確！