用简洁的语言来阐述YOLO算法

YOLO算法，英文全称是You Only Look Once，直接谷歌英文全称就能找到那篇论文，同时作者也在github上开源了代码。需要说明的是这篇推文是关于yolo v1，还有一个升级版。

顾名思义，这个算法就是只看一遍图片就能把所有的物体都识别出来，这个算法能够做到实时的物体检测，大约能达到40帧每秒，速度是非常快的。那如何去入手这个算法呢？相信大家已经看过不少介绍YOLO算法的文章了，所以我在这里也不打算深入去讲解这个算法了，而是尽量用简洁的语言去阐述一下这个如此迷人的算法。

和其它推文最大的不同是，我会介绍如何从实战的角度去自己去做一个数据集，如何让电脑识别特定的一个物体。

那先来看一下我实现的效果是怎么样的。首先我随手找了我桌上的蓝色水杯，收集了两百多张自己水杯的图片，为了减少工作量，我用水杯的数据集去替换了原来是车辆（car）的所有数据。经过十几个小时的训练之后，效果如下：

那怎么去实现呢？首先我觉得你要先“懂”这个算法，至少你要了解它是怎么实现的，原理是什么，输入输出是什么。为了学习这个算法，我也是花了大量时间去看作者的论文和代码。我觉得论文配合代码是一个很好的学习方式。通过代码可以很清晰去了解它是如何去实现这个算法的。

这个算法的核心在于它把图片划分成了7*7个网格，注意这7*7个网格不是将一张图片切割成49个小块，而是说一个网格会对应一个输出结果。可能会觉得有点抽象，我们先来看图。

比如说上面这张图，一共有49个网格，每个网格的任务就是去判断这个物体的中心点是否落在该网格，如果是落在自身网格，那好，那这个网格就会跟系统汇报。假定上图中被标记的红色网格我们把它命名为小格，然后小格发现这里好像有条狗，于是乎它跟系统汇报说：我这里有条狗，然后系统问了一句：那这条狗有多宽有多高？小格好像有点懵，但是根据它的经验，小格大概能猜出来，于是回答了系统：这条狗大概100像素宽，250像素高吧。到这里，小格的任务就基本完成了，小格只是49个网格之一，其它的网格也一样。于是系统就收集了49个网格的意见，然后就得到了下图。

其实在这张图片中可以出现49*2=81个预测框，也就是说没一个网格可以有对目标有两个预测，因此最多可以出现81个预测框。可以在图中看到，其实会出现很多无用框，相邻的网格可能会出现相似的结果，以此我们可以通过极大值抑制过滤一部分的预测框。然后就可以得到下图结果。

但是相信我，即使你已经全部理解了上面我说的，你也不一定能一下子看懂代码，在我阅读代码的时候发现虽然代码不多，逻辑也比较清晰，但是有一些细节还是让人难以理解。那我就带大家来捋一下吧！

比较重要的代码主要是在pasal_voc.py、config.py、yolo_net.py和train.py。加载数据的代码在pasal_voc.py里面，代码并不是很难，不过要注意一点的就是一张图片的label其实是一个7*7*25的矩阵，一个25的向量组成是这样的：第一位是0或1，表示是否有物体，然后接下来的四位是边界框的信息，也就是(x,y,w,h)，剩下的就是one-hot编码表类别。而预测的结果是7*7*30的，因为要预测两个框。

还有一个比较精髓的是它损失函数的定义，它对每一个预测值都计算了均方误差，但是惩罚程度却是不一样的。

其中λcoord = 5.0, λnoobj = 1.0, λclasses = 2.0，但是这组数字是这么得来的小编就不知道了，有可能是从大量测试中得到的一组最优解，也可能是从数学公式推算出来的吧。其实还有很多小细节，是很难描述出来的，如果要把一个小细节说明白可以就会牵扯到无数个细节，所以我建议你们自己通过代码去把细节搞懂。

在你已经了解了代码之后，就很容易做到文章开头的那个效果了。那我讲解一下我的思路和过程，最重要的还是要自己动手。当你去研究过它的数据集之后，你会发现这个数据集的标注是一个xml文件，每一个图片就对应一个xml文件。当你收集好数据集之后就可以去做数据集标记了，但是最简单的xml文件的格式是要求如下的：

这个是我数据集中的标注，也是能满足代码的最简单的标注，我是自己写了一个程序帮助我完成标记的，但是我推荐你们可以用别人的标注工具，因为毕竟别人已经写好了就没有必要再去重复造车轮。

这个就是一个标注的工具 ，但是我也没用过，但是看描述应该是符合要求的。做好图片标注之后就要考虑如何去修改它的数据集呢？难不成一张张粘贴进去，当然你可以这样做，但是工作量是很大的，好吧，那就交给计算机去解决吧。我在加载数据集的时候做了一个判断，如果一旦这张图片里面有车，我就不加载这个数据了，指定一个路径让它去加载我们做好的数据集。

findcar = 0for obj in objs: cls_ind = obj.find('name').text.lower().strip() if cls_ind == 'car': findcar = 1        break

接下来就是你们思考如何去解决了。当你解决这个问题并能训练的时候，如无意外你应该能得到和我一样的结果，祝你们好运！