目前，我正在阅读 Yolo9000 模型“https://arxiv.org/pdf/1612.08242.pdf”，我对模型如何预测目标检测的边界框感到非常困惑，我用 Tensorflow 做了很多示例，其中大部分我们提供给模型“图像和图像标签”。
我的问题是： 1-我们如何将边界框而不是标签传递给模型？ 2- 模型如何知道许多框属于一张图像？
【问题讨论】：
标签： tensorflow deep-learning object-detection yolo
在 YOLO 中，我们将图像划分为 7X7 的网格。对于每个网格位置，网络预测三件事 -
如果我们对所有 49 个网格位置的所有上述变量应用回归，我们将能够判断哪些网格位置有对象（使用第一个参数）。对于有物体的网格位置，我们可以通过第二个和第三个参数告诉边界框坐标和正确的类。
一旦我们设计了一个可以输出我们需要的所有信息的网络，请以这种格式准备训练数据，即为数据集中每个图像中的每个 7X7 网格位置找到这些参数。接下来，您只需训练深度神经网络以针对这些参数进行回归。
【讨论】：
要传递图像的边界框，我们需要先创建它。您可以使用特定工具为任何图像创建边界框。在这里，您必须创建将对象绑定在其中的边界，然后标记该边界框/矩形。您对图像中您希望模型训练/识别的每个对象执行此操作。
link 中有一个非常有用的项目，如果您需要了解边界框，请查看该项目。
我刚刚开始学习使用 tensorflow 进行对象检测。因此，当我获得有关为对象检测模型提供边界框的正确信息时，我也会在此处进行更新。另外，如果您现在已经解决了这个问题，您还可以提供详细信息以帮助其他面临相同问题的人。
【讨论】：
1- 我们如何将边界框而不是标签传递给模型？
如果我们想训练一个执行对象检测（而不是对象分类）的模型，我们必须将真实标签作为 .xml 文件传递，例如。 xml 文件包含有关图像中存在的对象的信息。关于对象的每个信息由 5 个值组成：
图像中的一个边界框被指定为一组 5 个值，如上所示。如果图像中有 3 个对象，则 xml 文件将包含 3 组此值。
2- 模型如何知道许多框属于一张图像？
如您所知，YOLOv2 或 YOLO9000 的输出具有形状 (13, 13, D)，其中 D 取决于您要检测的对象类别。您可以看到有 13x13 = 169 个单元格（网格单元格），每个单元格为 D 值（深度）。
在 169 个网格单元中，有一些网格单元负责预测边界框。如果一个真正的边界框的中心落在一个网格单元上，当给定相同的图像时，该网格单元负责预测该边界框。
我认为一定有一个函数可以读取xml注释文件并确定哪些网格单元负责检测边界框。
为了让模型不仅学习类别，还学习盒子的位置和形状，我们必须构建一个适当的损失函数。 YOLOv 中使用的损失函数也将成本放在盒子的形状和位置上。因此，损失计算为以下单个损失值的加权和：
旁注：
【讨论】：