YOLO 算法 (Putting it together: YOLO algorithm)
你們已經學到對象檢測算法的大部分組件了，在這個視頻裏，我們會把所有組件組裝在一起構成YOLO對象檢測算法。
我們先看看如何構造你的訓練集，假設你要訓練一個算法去檢測三種對象，行人、汽車和摩托車，你還需要顯式指定完整的背景類別。這裏有3個類別標籤，如果你要用兩個anchor box，那麼輸出 就是3×3×2×8，其中3×3表示3×3個網格，2是anchor box的數量，8是向量維度，8實際上先是5（ ）再加上類別的數量（ ）。你可以將它看成是3×3×2×8，或者3×3×16。要構造訓練集，你需要遍歷9個格子，然後構成對應的目標向量 。
所以先看看第一個格子（編號1），裏面沒什麼有價值的東西，行人、車子和摩托車，三個類別都沒有出現在左上格子中，所以對應那個格子目標 就是這樣的， ，第一個anchor box的 是0，因爲沒什麼和第一個anchor box有關的，第二個anchor box的 也是0，剩下這些值是don’t care-s。
現在網格中大多數格子都是空的，但那裏的格子（編號2）會有這個目標向量 ， ，所以假設你的訓練集中，對於車子有這樣一個邊界框（編號3），水平方向更長一點。所以如果這是你的anchor box，這是anchor box 1（編號4），這是anchor box 2（編號5），然後紅框和anchor box 2的交併比更高，那麼車子就和向量的下半部分相關。要注意，這裏和anchor box 1有關的 是0，剩下這些分量都是don’t care-s，然後你的第二個 ，然後你要用這些（ ）來指定紅邊界框的位置，然後指定它的正確類別是2( )，對吧，這是一輛汽車。
所以你這樣遍歷9個格子，遍歷3×3網格的所有位置，你會得到這樣一個向量，得到一個16維向量，所以最終輸出尺寸就是3×3×16。和之前一樣，簡單起見，我在這裏用的是3×3網格，實踐中用的可能是19×19×16，或者需要用到更多的anchor box，可能是19×19×5×8，即19×19×40，用了5個anchor box。這就是訓練集，然後你訓練一個卷積網絡，輸入是圖片，可能是100×100×3，然後你的卷積網絡最後輸出尺寸是，在我們例子中是3×3×16或者3×3×2×8。
接下來我們看看你的算法是怎樣做出預測的，輸入圖像，你的神經網絡的輸出尺寸是這個3×3×2×8，對於9個格子，每個都有對應的向量。對於左上的格子（編號1），那裏沒有任何對象，那麼我們希望你的神經網絡在那裏（第一個 ）輸出的是0，這裏（第二個 ）是0，然後我們輸出一些值，你的神經網絡不能輸出問號，不能輸出don’t care-s，剩下的我輸入一些數字，但這些數字基本上會被忽略，因爲神經網絡告訴你，那裏沒有任何東西，所以輸出是不是對應一個類別的邊界框無關緊要，所以基本上是一組數字，多多少少都是噪音（輸出 如編號3所示）。
和這裏的邊界框不大一樣，希望 的值，那個左下格子（編號2）的輸出 （編號4所示），形式是，對於邊界框1來說（ ）是0，然後就是一組數字，就是噪音（anchor box 1對應行人，此格子中無行人， ）。希望你的算法能輸出一些數字，可以對車子指定一個相當準確的邊界框（anchor box 2對應汽車，此格子中有車， ），這就是神經網絡做出預測的過程。
最後你要運行一下這個非極大值抑制，爲了讓內容更有趣一些，我們看看一張新的測試圖像，這就是運行非極大值抑制的過程。如果你使用兩個anchor box，那麼對於9個格子中任何一個都會有兩個預測的邊界框，其中一個的概率 很低。但9個格子中，每個都有兩個預測的邊界框，比如說我們得到的邊界框是是這樣的，注意有一些邊界框可以超出所在格子的高度和寬度（編號1所示）。接下來你拋棄概率很低的預測，去掉這些連神經網絡都說，這裏很可能什麼都沒有，所以你需要拋棄這些（編號2所示）。
最後，如果你有三個對象檢測類別，你希望檢測行人，汽車和摩托車，那麼你要做的是，對於每個類別單獨運行非極大值抑制，處理預測結果所屬類別的邊界框，用非極大值抑制來處理行人類別，用非極大值抑制處理車子類別，然後對摩托車類別進行非極大值抑制，運行三次來得到最終的預測結果。所以算法的輸出最好能夠檢測出圖像裏所有的車子，還有所有的行人（編號3所示）。
這就是YOLO對象檢測算法，這實際上是最有效的對象檢測算法之一，包含了整個計算機視覺對象檢測領域文獻中很多最精妙的思路。你可以在本週的編程作業中嘗試現實這個算法，所以我希望你喜歡本週的編程練習，這裏還有一個可選的視頻，你們可以看，也可以不看，總之，我們下週見。
課程板書
