更: 這篇有點擔心圖片版權問題，所以先不放圖，只使用文字，之後可能再看看補上。

經過兩個禮拜終於上完了Google study jam 所指定的兩個課程，接著還有3門課可以慢慢上，但是我想利用這個星期來做點跟自己研究有點相關的作業。今天我想介紹在object detection 領域中知名的技術: yolo v1。

在computer vision的領域裡分成幾種tasks:

1. semantic segmentation : No object, just pixels
2. classification + localization : single object
3. object detection : multi-object
4. instance segmentation : multi-object

而yolo v1 屬於object detection的一種。Object detection又可以分成one stage或是two stage， one stage -> yolo v1， two stages -> R-CNN等等

Yolo v1 : One stage,顧名思義僅使用一個網路直接預測多個目標的類別與位置。
特點是:
快速，可以做到45FPS以上
real time
使用整張影像做訓練，背景error少。
符合 You only look once

核心想法:將目標檢測的問題轉化成一個迴歸（Regression）問題，把整張影像當作input，直接output出bounding box 的coordinate、class。

Framework:
1、將影像Resize，輸入網路；
2、執行CNN，提取特徵，輸出特徵張量；
3、對特徵張量進行非極大抑制優化（NMS），得到檢測結果。

Algorithm:

• 將input image分為SS個網格(grid)，每一小格叫grid cell。如果一個object的中心在某個cell裡面，則該cell負責偵測這個object。

• Bounding box(邊界框):
  大小與位置可以用4個值來表示：(x,y,w,h)，其中(x,y)是邊界框的中心座標，而w和h是邊界框的寬與高。中心座標的預測值(x,y)是相對於每個cell左上角座標點的偏移值。w和h預測值是相對於整個圖片的寬與高的比例。

• 每個bounding box預測5個數值(x,y,w,h,c)，前4個是邊界框的大小與位置，最後一個值是該邊界框的可信度(confidence)。也就是bounding box 有沒有包含object。
  Yes = 1 , No = 0。
  confidence公式:

• 引用自Andrew Ng (如不能放請通知我移除)
  
  網格劃分為S×S時，最終預測值為S×S×(B∗5+C)大小的張量。

• Loss function: Sum-Squared Error
  引用自網路，太多人用這張圖，不清楚原作者是誰，如不能放請通知我
  

• 非極大值抑制演算法（Non Maximum Suppression, NMS):
  主要解決的是一個目標被多次檢測的問題：
  首先從所有的bounding box 中找到confidence最大的那個，然後逐個計算其與剩餘框的IOU，如果其值大於一定閾值（重合度過高），那麼就將該框剔除，然後對剩餘的bounding box重複上述過程，直到處理完所有的。

• Yolo的缺點:
  對靠近的物體、很小的物體檢測效果不好。
  對於在物體的寬高比方面泛化率低，無法定位不尋常比例的物體