在簡單了解了CNN的架構之後，今天來介紹物件偵測的模型Yolo v1(You Only Look Once)，雖然現在Yolo已經出到了v5(應該?)，但是從頭開始了解Yolo的演變和進化也是很有幫助的，先上Yolo v1的架構圖:)。

要是我前幾天的文章寫得能讓各位看懂的話，相信大家都看到架構圖應該不會是一頭霧水了...吧?

輸入為1張448x448的圖像，在經過許多卷積層和池化層後，最後再透過兩個全連接層，輸出結果為7x7x30，另外說一下，在卷積和池化層底下的s-2代表著步長，之前有提到過，下面來說一下這7x7x30是甚麼樣的東西。

首先我們注意到，在第一張圖的最後結果上有很多框框，那就是Yolo的物件框，物件框會框住欲辨識的對象，而這個框框也是模型要學習、訓練的，並且Yolo將輸入的圖片，切割成7x7的區域，從模型的輸出可以發現，卷積層將特徵擷取的結果經過全連接層之後輸出，如下圖所示。

最後的7x7存取了很多用於物件辨識的資訊，而這資訊總共有30個，所以才會是7x7x30，而這個30裡面有些甚麼呢?

首先每一個格子會產生兩個物件框，如果要辨識的物體的中心在這個格子裡，便會由這個格子的物件框來框住物體，之後再計算這兩個物件框的Confidence Score，並採用分數高的物件框，然後Confidence Score是這樣算的:

第一項是是該格中的物體是某類別的機率，第二項則是該格中有沒有物體，有為1沒有則為0，最後則是計算物件框和我們所框出的物件框的重合程度，也就是IOU。

這個30裡面有:

1. 物件框的長 (h)
2. 物件框的寬 (w)
3. 物件框中心的x座標 (x)
4. 物件框中心的y座標 (y)
5. 物件框的Confidence Score (c)
6. 可以辨識出的20種結果
   其中x和y是相對於該格左上角的座標。

而我們上面提到每格有2個物件框，所以會長這樣，(w,h,x,y,c)*2+20=30。
今天就到這邊，明天會再介紹他的Loss Function，到時會更了解這30個資訊要拿來做甚麼:)。

資料來源:
https://medium.com/%E7%A8%8B%E5%BC%8F%E5%B7%A5%E4%BD%9C%E7%B4%A1/yolo-v1-%E7%89%A9%E4%BB%B6%E5%81%B5%E6%B8%AC-%E8%AB%96%E6%96%87%E6%95%B4%E7%90%86-935bfd51d5e0
https://blog.csdn.net/c20081052/article/details/80236015