yolo在目标检测的过程当中，将输入的特征图划分为S×S的格子，每个格子对落入其中的目标进行检测，一次性预测所有格子当中所含目标的边界框，定位置信度，以及所有类别的概率。
创新互联长期为上千多家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为河北企业提供专业的做网站、成都做网站，河北网站改版等技术服务。拥有十余年丰富建站经验和众多成功案例,为您定制开发。
大概的过程就是先图像预处理（对图像进行改变大小，增强等操作）-->卷积网络 -->后处理（一般是非极大抑制），然后就可以在图像中检测出物体。在原论文的例子当中是检测出了，person，dog，horse。并且给出了置信度
上图的过程，也就是检测的过程：
1.划分的S×S的格子
2.得到物体的Bounding boxes边界框 和 置信度， 以及Class probability map类别的概率图
3.结合第二步的两者，我们可以得到最终的结果
这里要插一嘴，在最终的yolov5预测结果 P 的格式是这样的（不同版本可能顺序不一样，但是思路是没变的）
从上面的检测过程我们可以看出来，我们不仅仅要预测物体的类别，还要预测物体在图像中的位置，以及置信度。
假设有10个种类的物体，那么上图中的Class Sorces就是10
每个物体在图像中位置的表示方式为，物体左上角点坐标加上对应的长宽。 tx-左上角点x坐标 ty-左上角点y坐标 tw-物体的宽 th-物体的高
置信度 Po
这里最后的B，指的是有多少个不同尺度的边界框的预测。这里多尺度的问题，其实也就是沿用了Fast-Rcnn中的，FPN的方法（多尺度融合），利用特征金字塔网络，在不同尺度输出不同大小的特征，更好的将特征提取出来。来应对不同大小的输入图片，在大图像-小目标的情况下，提高预测的正确率
yolo中依旧沿用了Anchor 锚框机制，在同一尺度下，预设多个不同大小的矩形框，对目标特征进行训练和估计。
在yolov3/v4当中，当图片输入到网络中，在不同的尺度下画完了格子，被检测物体的中心点，落在哪个尺度的格子当中，那么就由哪个尺度来预测。每次匹配的锚框都是3个
但在yolov5中就不一样，可以实现跨层预测，即每一个尺度都可以参与预测，被检测物体在每一层都算正样本，这时每次匹配的锚框就是3-9个
上文中提到的置信度得分公式：
总置信度 = 定位置信度 × 类别置信度
损失函数计算公式：
总损失 = 分类损失 + 定位损失（预测边界框和真实位置之间的误差）+ 置信度损失
你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧