对 Yolo 感到困惑
Confused about Yolo
我对 Yolo 的工作原理有点困惑。
在论文中，他们说：
"置信度预测表示
预测框和任何地面真值框。"
但是我们如何获得ground truth box呢？假设我在未标记的图像上使用我的 Yolo 网络（已经训练）。那我有什么信心？
抱歉，如果问题很简单，但我真的不明白这部分...
谢谢！
YOLO 使用 IOU 来衡量权重 training.When 你搜索过什么是 IOU 是这样的
所以在训练这个 IoU 分数时计算验证时的预测 data.It 意味着
(Prediction of object)*IoU score
希望对您有所帮助。
But how do we have the ground truth box?
您似乎对训练数据到底是什么以及 YOLO 的输出或预测是什么感到困惑。
训练数据是一个边界框和 class 标签。这称为 'ground truth box'、b = [bx, by, bh, bw, class_name (or number)]，其中 bx, by 是带注释的边界框的中点，bh, bw 是框的高度和宽度。
输出或预测是边界框 b 以及图像 i 的 class c。
形式上：y = [ pl, bx, by, bh, bw, cn ] 其中 bx, by 是带注释的边界框的中点。 bh, bw 是盒子的高度和宽度，pc - 在 'box' b 中有 class(es) c 的概率。
Let's say I use my Yolo network (already trained) on an image that is not labelled. What is my confidence then?
当你说你有一个预训练模型（你指的是已经训练过）时，你的网络已经 'knows' 特定对象的边界框 classes 并且它试图近似对象可能在新图像中，但在这样做时，您的网络可能会在其他地方预测边界框而不是它应该在的地方。那么如何计算盒子'somewhere else'是多少呢？欠条来拯救！
IOU (Intersection Over Union) 的作用是，它让你得到一个重叠面积超过并集面积的分数。
IOU = Area of Overlap / Area of Union
虽然它很少是完美的或 1。它有点接近，IOU 的值越小，YOLO 参考 ground truth 预测边界框就越差。
IOU 分数为 1 表示边界框是准确或非常自信地参考地面实况预测的。
我认为你所需要的只是一张能阐明什么是基本事实的好图片。
正如您在左侧看到的那样，完美包围对象的矩形是地面实况（蓝色的）。
橙色矩形是预测的矩形。 IoU 是您可以从图像的右侧直观地理解的内容。
希望对您有所帮助。
我想我知道答案了
猜测 YOLO 在 2 种情况下针对不同的目标使用 IoU
1- 在训练时评估预测
2-当你使用已经训练好的模型时，有时你会为同一个对象得到很多框。我有红色这就是 YOLO 解决这个问题的方式（不确定这是否是非最大抑制的一部分）
我对 Yolo 的工作原理有点困惑。 在论文中，他们说：
"置信度预测表示 预测框和任何地面真值框。"
但是我们如何获得ground truth box呢？假设我在未标记的图像上使用我的 Yolo 网络（已经训练）。那我有什么信心？
抱歉，如果问题很简单，但我真的不明白这部分... 谢谢！
YOLO 使用 IOU 来衡量权重 training.When 你搜索过什么是 IOU 是这样的
所以在训练这个 IoU 分数时计算验证时的预测 data.It 意味着
(Prediction of object)*IoU score
希望对您有所帮助。
But how do we have the ground truth box?
您似乎对训练数据到底是什么以及 YOLO 的输出或预测是什么感到困惑。
训练数据是一个边界框和 class 标签。这称为 'ground truth box'、b = [bx, by, bh, bw, class_name (or number)]，其中 bx, by 是带注释的边界框的中点，bh, bw 是框的高度和宽度。
输出或预测是边界框 b 以及图像 i 的 class c。
形式上：y = [ pl, bx, by, bh, bw, cn ] 其中 bx, by 是带注释的边界框的中点。 bh, bw 是盒子的高度和宽度，pc - 在 'box' b 中有 class(es) c 的概率。
Let's say I use my Yolo network (already trained) on an image that is not labelled. What is my confidence then?
当你说你有一个预训练模型（你指的是已经训练过）时，你的网络已经 'knows' 特定对象的边界框 classes 并且它试图近似对象可能在新图像中，但在这样做时，您的网络可能会在其他地方预测边界框而不是它应该在的地方。那么如何计算盒子'somewhere else'是多少呢？欠条来拯救！ IOU (Intersection Over Union) 的作用是，它让你得到一个重叠面积超过并集面积的分数。
IOU = Area of Overlap / Area of Union
虽然它很少是完美的或 1。它有点接近，IOU 的值越小，YOLO 参考 ground truth 预测边界框就越差。 IOU 分数为 1 表示边界框是准确或非常自信地参考地面实况预测的。
我认为你所需要的只是一张能阐明什么是基本事实的好图片。
正如您在左侧看到的那样，完美包围对象的矩形是地面实况（蓝色的）。
橙色矩形是预测的矩形。 IoU 是您可以从图像的右侧直观地理解的内容。
希望对您有所帮助。
我想我知道答案了 猜测 YOLO 在 2 种情况下针对不同的目标使用 IoU 1- 在训练时评估预测 2-当你使用已经训练好的模型时，有时你会为同一个对象得到很多框。我有红色这就是 YOLO 解决这个问题的方式（不确定这是否是非最大抑制的一部分）