损失函数
YOLOv1把图片分成了7*7=49个网格，每个网格可以预测两组中心点和边界框的信息。也就是
49*2，一共98个中心点和边界框。那么哪一个中心点和边界框才是最好的，最准的呐？
YOLO 模型检测效果优劣的核心评价指标为交并比（IoU），其计算方式如下：在数据预处理阶
段，我们已经标注得到目标物体准确的位置与尺寸信息，该标准边界框称为真实框（Ground
Truth，GT），是模型训练的监督标签。模型推理时会输出一个预测边界框，通过计算预测框与真
实框的交集面积 / 并集面积，即可得到 IoU 值，以此衡量预测框的精准程度。
预测阶段，网络在每个网格输出的信息包含：
两组边界框中心点偏移、宽高偏移量；以及对应两个框的置信度。YOLOv1 置信度定义为：网格包
含目标物体的概率 × 预测框与真实框的 IoU；其中网格存在物体概率为 1，不存在物体则为 0。除
此之外，每个网格还输出 20 个类别预测概率值。
YOLOv1 在训练过程中，会将网络预测得到的两个边界框与标注绿色真实框（GT）进行匹配对
比，自动舍弃 IoU 交并比较小的预测框，仅保留匹配度更高的边界框参与后续损失函数计算。
接下来介绍 YOLOv1 损失函数：
式中S2代表划分的7×7 共 49 个网格，参数B=2代表每个网格预测2 个边界框。
obj表示网格包含目标物体时取值为 1，不包含物体时取值为 0；noobj与之相反，网
格存在物体时取 0，不存在物体时取 1。
损失函数在计算时同时兼顾含物体网格与不含物体网格。
权重系数 5 用于放大中心点与边界框坐标的损失权重。由于 49 个网格中真正包含物体的网格占比
极少，设置该权重可以增强含物体网格的损失贡献，引导模型重点关注目标位置。
损失函数前两项为位置损失，采用均方误差计算预测框中心点、宽高与真实框的偏差，计算方式为
真实值与预测值作差后平方。后续依次为置信度损失与类别分类损失。
非极大值抑制
YOLOv1 一共会输出 98 个预测框，那么模型是如何从中筛选出最优检测框的呢？
每个网格输出的预测向量中，后 20 个数值为 20 个类别的预测概率；向量前 10 个参数包含两组边
界框信息，其中对应两个边界框的置信度得分。网格边界框的置信度得分由公式计算得出，具体定
义如下：
随后我们可以得到2 个长度为 20 维的新向量，向量中每一个数值，分别代表该预测框对应各个类
别目标的置信可靠程度。
最终我们可以得到98 个 20 维向量，分别对应网络预测的 98 个边界框。向量中每一列数值，代表
对应类别的置信度得分，例如第一列即为目标属于汽车类别的置信度。
我们按类别依次处理：以汽车类别为例，筛选出置信度大于 0.2 的预测框，其余不符合条件的框全
部舍弃（代码实现时直接将对应置信度置 0）；再将保留的预测框按照置信度从高到低排序，为后
续非极大值抑制 NMS 做准备。
最终整理得到一个98×20 的矩阵，我们剔除矩阵中所有置信度为 0 的无效数据，即可进行预测框
绘制。以汽车类别为例：单独在汽车这一类中，筛选出置信度得分最高的预测框，提取其对应的中
心点与边界框坐标，绘制到原始图片上，并标注对应类别标签即可。
【1】上述所有内容，参考大白话讲明白YOLOv1的损失函数 #YOLO #YOLOv1 #目标检测 #深度学习#知识前沿派对 - 抖音
