宇的回收站基于快速理解Yolo算法原理视频上，记录对于算法的理解
基于快速理解Yolo算法原理视频上，记录对于算法的理解
Yolo算法的训练过程
-
训练时输入的参数：
也就是打标签时给予算法的信息：框的大小——xywh；置信度——1；类别——c1、c2、c3（是该类型，对应的种类参数就是1，不是该类型对应的种类参数就是0）；这些信息总共包含8个参数可以记作： $$ y=[P,x,y,w,h,c1,c2,c3] $$
-
对于我们打了标签的图像处理：
假如以上这张图就是打好标签的图片数据，yolo算法首先会对图片进行n✖n的拆分（这里假设是3乘3），紧接着遍历拆分好的每一个小格子，对应有框的格子予以保留，没有框的格子剔除。例子图片中，4、5、6号格子都有框，该怎么处理呢？我们的锚点框都有中心点，yolo算法采取的方法是：格子中有中心点的格子予以保留，没有中心点的剔除
-
训练过程：
简单来说，就是通过反复的迭代，将模型预测出来的目标和正确标定好的目标进行比较，不断缩小预测目标和真实目标之间的差距，而这其中的比较可以简单总结为目标函数的比较：
位置损失（Localization Loss）：衡量预测的边界框和真实边界框之间的差异。 置信度损失（Confidence Loss）：衡量预测的目标物体存在置信度与实际情况的差异。 分类损失（Class Loss）：衡量预测的类别概率分布与真实类别之间的差异。
比较后不断缩小目标和真实值之间的差距，其中的“缩小”就是反向传播。反向传播具体解释如下：
反向传播（Backward Propagation） 假设在进行了一次投篮之后，你发现投篮没有命中（损失值高），你需要调整你的投篮姿势和力量，以提高命中率。这时，你会思考：
姿势：是不是手臂抬得太低了？下次抬高点。 力量：是不是用了太多力？下次稍微减一点。 这个过程就是“计算梯度”，即找到哪些投篮姿势和力量的改变有助于降低损失值。
梯度下降算法 计算梯度：确定姿势和力量的哪些微小调整会让投篮结果变得更好（即损失值降低）。 更新参数：根据这些梯度信息，微调你的投篮姿势和力量。 梯度下降算法：每次调整的幅度可以很小，从而逐步找到最佳的投篮姿势和力量。 Adam算法和SGD算法：这些是不同的微调方法，Adam算法考虑了前几次调整的历史信息，可以更快找到最佳解；SGD（随机梯度下降）每次调整一个小批次的数据，适合处理大规模数据。 通过反复练习（即多次正向传播和反向传播），你的投篮姿势和力量会逐渐优化，命中率就会越来越高。这就是深度学习中训练模型的过程——通过不断调整网络参数，使得模型预测更加准确。
训练结果为best.pt，也就是能够最好识别目标的参数
-
推理过程：
对于输入的图片，使用best.pt对其进行卷积操作，也就是将图片分为很多小格子，然后获得每个格子的 $$ y=[P,x,y,w,h,c1,c2,c3] $$ 这里引入一个问题：无论如何训练，精度多么高，每个小格子都会被识别出有一定几率为某目标，这么多有几率的格子，画出很多的框，如何确定哪些框为最终检测到的目标物呢？这里就要用到一个概念叫交并比——也就是交集和并集的比。如下图：对于汽车的目标检测画出了许多检测框，如何选取最符合的检测结果，将其余对于同一目标不精确、多余的框舍去呢？
首先先说右边的汽车，使用算法选取置信度最大的框，也就是0.9的框，对图中剩余的检测框进行遍历，对于它附近的两个0.6和0.7的检测框，显然交并比都大于0.5了，这就意味着0.6和0.7的框是对于此目标多余的框，就将其去掉，留下置信度最高的0.9检测框作为最终识别结果。而左侧的两个框对于0.9检测框来说，交并比为0＜0.5，显然是对于另一目标的检测框，便予以保留。
接下来对于左边的汽车，就选取置信度最高的0.8检测框，再次使用算法进行遍历，最后留下0.8的框。
上面的内容其实就是推理过程中最重要的一步：非极大抑制值
-
其实视频讲的还是比较粗糙，在训练过程中确实很多具体的东西，听的云里雾里不明所以，检测过程也有待完善，例如检测框如何生成？怎么连起来的？后续还要看更具体的理论继续学习。
