看了不少讲YOLO的文章，总感觉没有把关键细节说清楚，看了好像懂了，但细想到操作层面，又没完全懂。尝试简单总结捋一下，主要是v1，后面的不定期补充吧。

YOLOv1

整体思路是通过一些技巧，把目标检测转化为一个回归问题，一步到位，提高检测速度。原论文网络结构叫做darknet，各种卷积块+两个全连接层，当时还没发明批量归一化batch normalization，现在可以加上，中间的激活层选用Leaky ReLU，当然也可以使用其它深度网络，比如ResNet等。

首先看训练。将448*448（目标检测的分辨率要高于图像分类）的图片平均分成7*7=49个cell，或叫grid。每个cell预测2个框bounding box，简称bbox，类似锚框anchor。这个bbox尺寸最小为0，最大为整个图片。每个bbox的定位localization只需要4个值，有不同的格式，如两点式（左上角和右下角坐标：x1, y1, x2, y2）、左上角式（左上角+宽高：x, y, w, h）、中心点式（中心点+宽高：x, y, w, h），原论文是中心点式。每个bbox还有1个置信度Conf，这就一共(4+1)*2=10个值。除了预测bbox，还要从比如20个物体种类里预测1个类别，每个类别给出一个概率，一共20个值，最后输出N*7*7*30，N为图片数。这些数值可以随机初始化，两个bbox可以一大一小初始化，提高效率。

因为是回归任务，所以x, y, w, h都要进行归一化，x, y为相对于cell左上角的坐标，其值为0~1之间，w, h要除以图片的宽高，也就是448*448，其值也为0~1之间。有的文章将其除以cell的宽高，这导致w, h的值为0~7之间，也能计算，但感觉不合适。

刚才提到了置信度Conf。虽然1个cell预测了2个bbox，但YOLOv1里，1个cell只预测1个object，两个bbox其实是竞争关系，最终只有一个bbox得到了更新。训练计算损失时，看谁的Conf大，谁才被考虑进损失函数进行更新。而Conf=Pr(Object)*IoU，IoU为预测的bbox与ground_truth_box的交并比。再看Pr(Object)，如果ground_truth_box的中心坐标落在某cell里，那么Pr(Object)=1，否则为0。所以当Pr(Object)=1时，就是比谁的IoU大，当Pr(Object)=0时，label_Conf也为0。可以认为，最终预测输出的也是Pr(Object)与IoU的乘积，只不过预测的Pr(Object)是一个连续值，而不是label的非1即0。

插一些闲话，这里有几个单词术语让人头大，试着自己理解下，不一定对：

• grount truth为真实值，简称gt，是真实的目标物体的框子，所以，感觉也可以说成是object、target。
• label是标号，范围比gt大。gt只是正值，而在没有目标的区域，也是一个label。
• prediction是预测，detection是检测，infer是训练完了最后用于测试集的推理预测。其实意思差不多少。
• 说到测试集test，一般这样理解：来了一批带label的数据，可以将其划分为训练集train和验证集validation，如果训练后的模型参数在验证集的表现还不错，那就把模型用在没有label的测试集test上预测推理，进行实践应用，所以test只用一次，且你不知道结果是否正确。不过，现在不少文章、代码所说的测试集其实是验证集，得自行分辨。

目标类别label_classes采用onehot编码，比如某个label_box是第5类，且中心在某个cell，那么label_classes就是[0,0,0,0,1, 0,0,0,0,0, 0,0,0,0,0, 0,0,0,0,0]，否则全为0。训练或推理时，输出就没这么干净了，每一个都是0~1之间的概率值，这个概率值其实是条件概率Pr(Class-i|Object)，所以最终还要将这个概率值Pr(Class-i|Object)乘以Conf，然后取这20个中的最大值为最终预测种类，这样更保险，意思是你必须先有目标，再来谈这是个什么类别。

每个cell只有1个label_box，所以label形状其实应该是N*7*7*25，但为了与训练的N*7*7*30一致，会在后面补0。总结一下：

• 如果一个cell包含了gt的中心点，那么label最后一维的张量类似这样：[0,0,0,0,1, 0,0,0,0,0, 0,0,0,0,0, 0,0,0,0,0, x, y, w, h, 1, 0,0,0,0,0]，最后5个0为补足；该cell的训练值为[c0,... c19, x1, y1, w1, h1, Conf1, x2, y2, w2, h2, Conf2, ]，如果bbox1的定位[x1, y1, w1, h1]与目标值[x, y, w, h]的IoU更大，那么[c0,... c19, x1, y1, w1, h1, Conf1]会向label靠拢。至于bbox2的[x2, y2, w2, h2, Conf2]，可能是自生自灭吧？这30个量的顺序不关键，有一些不同的排列法。
• 如果一个cell没有包含了label_box的中心点，那么最后一维的张量全是0，也就是torch.zeros(25)，也补足至torch.zeros(30)。该cell的两个bbox的训练值的Conf1和Conf2都会向0靠拢，其它值自生自灭？

可以看到，输出N*7*7*30中会有一些值自生自灭并不进行更新，那最终呈现结果时，会对输出进行筛选整理，比如筛掉低Conf、进行NMS等。

再看看原论文的损失函数。

image.png

推理时，预测了7*7*2=98个bbox，首先筛掉低Conf的，比如小于0.4的，然后使用非极大值抑制NMS。NMS一般是按照预测类别分别独立计算的（也有所有类一视同仁的做法），比如都是预测猫，那么选择一个Conf最大的bbox，如果其它也预测猫的bbox与这个最大Conf的bbox的IoU超过了一个阈值，例如0.5，那么就筛掉。这一部分不只是针对Yolo，而是目标检测通用做法。

怎么评价预测结果呢？这里引入一个全类平均正确率mAP，也是先按类计算，首先看预测框的IoU是否超过了阈值(比如0.5)，超过了为TP，否则FP。然后将这些框按Conf倒序排列，每个gt最多一个框与之对应，开始统计Recall=TP/(TP+FN)和Prec=TP/(TP+FP)，然后求出Recall-Prec关系图的面积，即为AP，最后对所有种类求平均，则为mAP。mAP越大越好，0.9就很不错了。更详细的做法是针对多个阈值进行计算再取平均，记为mAP@0.5:0.05:0.95。

• 问题1：如果两个目标中心戳中同一个cell，会发生什么事？
  超纲了，YOLOv1只能考虑一个cell一个object。
• 问题2：如果是同一类，但是是不同的目标呢？NMS怎么处理？
  这两个目标如果在同一个cell，见问题1；否则，这两个目标的bbox的IoU会很小或者为0，所以NMS会都保留。
• 问题3：如果置信度>1，或预测种类的概率之和＞1，会怎样处理？
  对于置信度，数值看起来不合理，但应该也不影响最终结果的呈现，训练中可以试试用torch.clamp进行限制。预测种类的话，可以直接取最大值。另外，同一个目标属于两个种类，也不算离谱吧，比如正在播放猫和老鼠的电视机？后续再研究吧。
• 问题4：如果两个bbox初始化后，与label_box的IoU都是0呢？
  IoU相同，代码默认取第一个值，所以第一个bbox会进行学习。

YOLOv2(Yolo 9000)

主要改进：

1. 加入了batch normalization。
2. 在448*448的ImageNet上进行预训练。
3. grid变成13*13，且每个cell预测9个bbox，并给出先验的大小。再根据COCO和VOC的数据进行聚类，最后选择K=5，效果还可以。聚类时用1-IoU做为距离。
   
   image.png
4. 摒弃全连接层，全用卷积。
5. 优化bbox的坐标和宽高公式： bx = σ(tx) + cx，by = σ(ty) + cy，bw = pw * exp(tw)，bh = ph * exp(th)，Pr * IoU = σ(to)。t为需要学习的参数，bx, by, bw, bh为bbox的定位，cx, cy为cell的左上角坐标，pw, ph为先验框的尺寸。为啥用指数，可能为了限制为正值？
6. passthrough层将上一层一拆四（尺寸降半），与上一层的卷积结果（刚好也尺寸降半）直接叠加进行输出，从而保留上一层的小尺寸细节。有点残差的意思。
7. 分层分类，采用WordTree，在分类数据集和检测数据集上联合训练，提高识别种类到9000+。

YOLOv3

主要改进：

1. 基础网络升级至darknet53，之前是19。
2. 分类损失采用二分类交叉熵损失binary cross-entropy loss，因为目标可能属于多个分类。
3. 使用3个尺度预测，引入FPN (Feature Pyramid Network)，特征图大小分别是8*8，16*16，32*32。

分隔线，pjreddie退出YOLO，后续版本重在工程应用。

YOLOv4

主要各种调参、缝合、数据增强。

YOLOv5

小而快，打比赛推荐。

YOLOX

旷世开源，效果不错。

总结

纸上得来终觉浅，试试吧！