YOLO 算法

假设你要训练一个算法去检测三种对象，行人、汽车和摩托车，你还需要显式指定完整的背景类别。这里有 3 个类别标签，如果你要用两个 anchor box，那么输出 y 就是 3×3×2×8，其中 3×3 表示 3×3 个网格，2 是 anchor box 的数量，8 是向量维度，你可以将它看成是 3×3×2×8，或者 3×3×16。要构造训练集，你需要遍历 9 个格子，然后构成对应的目标向量y。

先看看第一个格子（编号 1），里面没什么有价值的东西，行人、车子和摩托车，三个类别都没有出现在左上格子中，所以对应那个格子目标 y 就是这样的：

第一个 anchor box 的 p_c 是 0，因为没什么和第一个 anchor box 有关的，第二个 anchor box 的 p_c也是 0。假设你的训练集中，对于车子有这样一个边界框（编号 3），水平方向更长一点。所以如果这是你的 anchor box，这是 anchor box 1（编号 4），这是 anchor box 2（编号 5），然后红框和 anchor box 2 的交并比更高，那么车子就和向量的下半部分相关，这里和 anchor box 1 有关的 p_c是 0，剩下这些分量都是不关心，，然后你的第二个p_c = 1，然后你要用这些（b_x，b_y，b_h，b_w）来指定红边界框的位置，然后指定它的正确类别是 2(c1 = 0, c2 = 1, c3 = 0)，对吧，这是一辆汽车，这就是神经网络做出预测的过程。

所以你这样遍历 9 个格子，遍历 3×3 网格的所有位置，你会得到这样一个向量，得到一个 16 维向量，所以最终输出尺寸就是 3×3×16，然后你训练一个卷积网络，输入是图片，可能是 100×100×3，然后你的卷积网络最后输出尺寸是，在我们例子中是 3×3×16 或者3×3×2×8。最后你要运行一下这个非极大值抑制，如果你使用两个 anchor box，那么对于 9 个格子中任何一个都会有两个预测的边界框，其中一个的概率p_c很低。但 9 个格子中，每个都有两个预测的边界框，比如说我们得到的边界框是是这样的，注意有一些边界框可以超出所在格子的高度和宽度，然后抛弃概率很低的预测。这就是 YOLO 对象检测算法，这实际上是最有效的对象检测算法之一。