DAY26 深度学习-卷积神经网路-Yolo V1

接续昨天的文章，今天介绍一下Yolo v1的Loss Function，由於在训练的时候我们当然希望模型的结果是越接近正确的结果越好，但是实际上不太可能，预测和现实会有误差，称之为残差，然後训练的目的就是将这个残差压到越低越好，因为越低代表越接近正确的结果，模型不断训练。计算残差，在不断调整将残差降低，直到训练结束。

所以来看一下Yolo v1的残差计算公式:

• i = 第几个网格
• j = 这个网格的第 j 个物件框
• x，y = 物件框的中心点x，y座标
• w，h = 物件框的长宽
• c = 物件框的置信度
• λ~coord~，λ~noobj~ = 分别为5和0.5，这是由於通常没有物件的网格占多数，所以在计算时，模型会更倾向於没有物件的网格，所以透过这个参数进行调整。
• 算式的最後一行则是物体类别的预测。

最後再来介绍一下非极大值抑制(Non Maximum Suppression, NMS)，
这个东西是为了解决当一些物体被2个或以上的网格中的物件框给选中时，到底该用哪个物件框，首先将所有物件框的置信度计算出来，并选择置信度最高的物件框，拿他和其他的物件框计算IOU，如果重合程度到一定程度，便将该物件框移除。

以上便是Yolo v1的介绍，有说不清楚或编排的地方以後会再来修改:)。