YOLO V1的過程解讀
you only look once!!!
一、所需基本姿勢
1、YOLO將圖片分成S*S的grid cell，每個grid cell對應B個bounding box，論文S=7，B=2，故有98個bbox。
2、YOLO中每一個Object只對應一箇中心點，該中心點只唯一出現在一個grid cell中
3、Object中心點落在的那個grid cell負責把該Object迴歸出，徹底不是選取proposal再看看這個合不合適的模式
二、TRAINING
如圖輸入為448*448*3，經過類似GoogLenet的只有1*1和3*3的卷積後，得到7*7*30的feature，顯然7*7對應每一個grid cell，而30個channel呢？
如圖，30個channel對應2個bbox的5個位置資訊和confidence，confidence是它是否是Object的概率乘上最大的IoU（當有Object的中心點在該grid cell上，則Pr(Object)=1，否者為0）；再加上20個class的feature。
loss分析
loss分3部分，座標+confidence+class的loss
第一部分座標loss，類似1的符號表示只找一個對每一個Object負責的bbox（大概類似1的符號就這意思吧 - - ），如圖對狗來說，只有中心點所在的grid cell的豎向的黃框對其負責，前面兩個求和，表示對所有bbox進行了遍歷。
注：為什麼要對w和h加上根號？因為大物體的w和h比小物體大得多，權衡兩者，使大物體和小物體對loss貢獻相一致（效果然並卵 - -），lamda的選擇也是考慮到對loss的貢獻率（論文更為重視座標loss，lamda取很大，為5）
第二部分IoU loss，C就是confidence值，第一個等式也是要找只找一個對每一個Object負責的bbox，第二個等式變成了no obj了，說明遍歷了所有除第一個等式找到的bbox外的所有bbox，且加上了一個lamda係數，為的是不讓負例太多了！
第三部分是class loss，遍歷所有bbox，但只對c∈classes的bbox（第二個求和符號的意義）計算了分類loss
OK！
三、TESTING
網路訓練好後，輸入一張圖片，得到98個bbox的結果，其中有class和confidence和位置
class的概率顯然是一個條件概率，與前面的confidence相乘，得到真正Pr（Classi）*IoU，對所有98個bbox都進行這些操作，得到98個20*1的class scores，再針對某一個Object的scores進行降序排列，再講小於某個閾值的scores清零，在進行NMS操作得到對應的98個20*1的class scores。
解釋：為什麼有可能要進行NMS，因為每一個grid cell不止生成了一個bbox。拿狗狗舉例，有可能有多條狗在圖中（當然這不是關鍵）
對其中一個bbox的class scores查詢其最大的scores，如果大於0，這標記bbox為結果，並染色輸出；沒有則放棄該bbox。
解釋：引文confidence的存在，使得大部分的scores都是0，如果最大都是0，說明該bbox對應的grid cell不是任何的Object的中心點。
思考
同一個grid cell可能同時出現兩個相同的class的bbox！
原因：當同一個grid cell對應的2個bbox的IoU小於某個閾值即可。
而不可能同一個grid cell中出現兩個不同的class的bbox！
原因：因為在計算每個bbox的class scores時，是將每個grid cell的Pr（Classi | Object）和前面兩個bbox的confidence相乘，所以屬於同一個grid cell的bbox每個類的class scores大小關係是一樣的。
正因為有這個缺點，YOLO V1對一個grid cell裡有多個目標的情況無能為力，這也是為什麼YOLO V1對小物體準確率不高的原因關鍵！！！
四、conclusion
1.因為很暴力的直接在網格（最後一層feature）上選bbox，Object中心點落在的那個grid cell負責把該Object迴歸出；而不用像faster-rcnn一樣有一個siding windows的多餘操作來提取proposal再篩選哪些適合作為bbox，所以要快很多！
2.由聯合損失函式softmax+smooth變成了一個自己定義的loss function
YOLO v1的精準性和召回率相對於fast-rcnn比較差。其對背景的誤判率比fast-rcnn的誤判率低很多。這說明了YOLO v1中把物體檢測的思路轉成迴歸問題的思路有較好的準確率，但是對於bounding box的定位不是很好。