一、前言

今天要來介紹的是YOLO的運作流程，經由前幾天對YOLO的原理以及每個版本的迭代有了些微的了解後，相信之後在實作的時候會更得心應手，能夠理解YOLO在物件偵測時的處理方式，那話不多說，讓我們開始吧！

二、運作流程

1. 圖片輸入： 將輸入的圖片調整為固定大小，並輸入神經網路。
2. 繪製標籤： 將輸入的圖片劃分為S * S的標籤，每個標籤負責檢測一個物體。
3. 邊界框預測： 每個標籤預測多個邊界框，每個邊界框包括以下資訊：

• 邊界框的中心座標(bx, by)
• 邊界框的寬度和高度(bw, bh)
• 邊界框的信心分數和類別預測被組合成一個最終的分數，可以告訴我們當前的邊界框包含特定物體的準確率。
  

圖片來源：Ｍodel. https://chih-sheng-huang821.medium.com/深度學習-物件偵測-you-only-look-once-yolo-4fb9cf49453c

三、損失函數

損失函數是訓練深度學習模型的關鍵組件，對於物件檢測模型如 YOLO（You Only Look Once）來說，損失函數同時考量定位、置信度和類別的準確性，確保模型能夠準確檢測並分類物件。以下是對損失函數的說明：

1. 定位誤差（Localization Loss）

定位誤差主要衡量預測的邊界框與真實邊界框之間的位置差異，通常使用 平方差誤差（Mean Squared Error, MSE) 來計算。具體來說，YOLO 訓練的邊界框包含 4 個參數：框的中心坐標（x, y）及框的寬度和高度（w, h）。這些值與真實框的值之間的差異會被最小化。

公式：

• 是調整定位誤差對總損失影響的權重。
• 是指示函數，當該網格單元有物體時為 1，否則為 0。
• 表示邊界框的中心坐標， 表示邊界框的寬度和高度。
• 是預測邊界框的參數。

2. 置信度誤差（Confidence Loss）

置信度誤差用來衡量模型對預測框是否包含物體的置信度。YOLO 模型的預測包括置信度分數，它表示該框中是否有物體以及預測框與真實框重疊的程度（即 IoU，Intersection over Union）。YOLO 使用平方差來計算預測的置信度與真實的置信度之間的誤差。

置信度損失可分為兩部分：

1. 有物體時的置信度損失：
   
2. 無物體時的置信度損失：
   

• 是置信度分數，表示框內包含物體的可能性乘以 IoU（即預測框與真實框的重疊程度）。
• 和 是指示函數，分別表示該框是否包含物體。
• 是無物體置信度損失的權重，以防止負樣本過多對模型造成的影響。

3. 類別誤差（Classification Loss）

類別誤差用來衡量預測物體類別的準確性。YOLO 使用 交叉熵損失（Cross-Entropy Loss） 來衡量每個網格單元中預測類別與真實類別之間的差異。

公式：

• 是該網格單元中預測的類別概率。
• 是該網格單元的真實類別概率（通常是 one-hot 編碼的真實標籤）。
• 類別誤差只在該網格單元有物體時計算。

4. YOLO 損失總和

YOLO 損失函數是上述三個損失的總和，用於同時優化定位、置信度和分類。總損失可以表示為：

這樣的設計使得 YOLO 模型能夠同時考慮物體的位置、物體存在的置信度及其類別標籤，達到有效的物體檢測效果。

介紹完運作流程以及損失函數後，下一篇我們來講評估模型的術語，那我們下篇見。