you only look once - YOLO （2）

今天来讲一下yolo v1的架构与损失函数，架构如下：

首先先把图片改变成448 * 448的大小，yolov1总共有24层convolutional layers来撷取图片特徵，最後两层
fully connected layers则负责预测物体类别，最後输出7 * 7 * 30的向量，7来自於切的grid数量，30则是因为输入的dataset有20个类别加上x,y,w,h,confidence，两个bounding box(20+5*2)。

loss function看起来非常可怕，我们来拆解一下：

总共有五项，中心概念是轮过所有grid的每一个bounding box去计算MSE，第一项针对(x,y)中心座标，第二项针对w,h 宽与长，第三项针对confidence，第四项只有在bounding box不包含物体中心时才计算，最後一项则是分类误差。

[reference]
https://medium.com/@ankushsharma2805/yolo-v1-v2-v3-architecture-1ccac0f6206e
https://zhuanlan.zhihu.com/p/37850811
https://zhuanlan.zhihu.com/p/58066901
https://zhuanlan.zhihu.com/p/94986199
https://www.youtube.com/playlist?list=PLANbacZNzD9FOcLenvcfgE7R4QdHgOXSq