在进行模型训练时，我们需要构造训练样本和设计损失函数，才能利用梯度下降对网络进行训练。
训练样本的构建将一幅图片输入到yolo模型中，对应的输出是一个7x7x30张量，构建标签label时对于原图像中的每一个网格grid都需要构建一个30维的向量。对照下图我们来构建目标向量：
20个对象分类的概率
对于输入图像中的每个对象，先找到其中心点。比如上图中自行车，其中心点在黄色圆点位置，中心点落在黄色网格内，所以这个黄色网格对应的30维向量中，自行车的概率是1，其它对象的概率是0。所有其它48个网格的30维向量中，该自行车的概率都是0。这就是所谓的”中心点所在的网格对预测该对象负责”。狗和汽车的分类概率也是同样的方法填写
2个bounding box的位置
训练样本的bbox位置应该填写对象真实的位置bbox，但一个对象对应了2个bounding box，该填哪一个呢?需要根据网络输出的bbox与对象实际bbox的IOU来选择，所以要在训练过程中动态决定到底填哪一个bbox。
2个bounding box的置信度
预测置信度的公式为：
利用网络输出的2个bounding box与对象真实bounding box计算出来。然后看这2个bounding box的IOU，哪个比较大，就由哪个bounding box来负责预测该对象是否存在，即该bounding box的Pr(Object)=1，同时对象真实bounding box的位置也就填入该bounding box。另一个不负责预测的bounding box的Pr(Object)=0。
上图中自行车所在的grid对应的结果如下图所示：
损失就是网络实际输出值与样本标签值之间的偏差：
yolo给出的损失函数：
Yolo先使用ImageNet数据集对前20层卷积网络进行预训练，然后使用完整的网络，在PASCAL VOC数据集上进行对象识别和定位的训练。
Yolo的最后一层采用线性激活函数，其它层都是Leaky ReLU。训练中采用了drop out和数据增强(data augmentation)来防止过拟合。
模型预测将图片resize成448×448的大小，送入到yolo网络中，输出一个 7x7x30 的张量(tensor)来表示图片中所有网格包含的对象(概率)以及该对象可能的2个位置(bounding box)和可信程度(置信度)。在采用NMS(Non-maximal suppression，非极大值抑制)算法选出最有可能是目标的结果。
总结：yolo模型预测速度非常快，处理速度可以达到45fps，其快速版本(网络较小)甚至可以达到155fps。训练和预测可以端到端的进行，非常简便。准确率会打折扣对于小目标和靠的很近的目标检测效果并不好。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：yolo算法：构造训练样本和设计损失函数 https://www.dachanpin.com/a/cyfx/11079.html
