本文主要针对yolo模型的实现细节进行一些记录，前半部分不讨论yolo模型，直接将yolo模型当做黑盒子进行使用，讨论模型外的预处理以及输出表现等部分。
Yolo外部关键点
1.boxes阈值过滤
该部分主要用于将对各个boxes进行打分，根据阈值对boxes进行过滤。
1
2
3
4
5
6
7
8
| def yolo_filter_boxes(box_confidence, boxes, box_class_probs, threshold = .6):
box_scores = box_confidence*box_class_probs
box_classes = K.argmax(box_scores,-1)
box_class_scores = K.max(box_scores,-1)
filtering_mask = box_class_scores>threshold
scores = tf.boolean_mask(box_class_scores,filtering_mask)
boxes = tf.boolean_mask(boxes,filtering_mask)
classes = tf.boolean_mask(box_classes,filtering_mask)
|
bbox信息（x,y,w,h）为物体中心位置相对于格子位置的偏移、高度和宽度，均被归一化
置信度反映了是够包含物体以及包含物体情况下的为位置准确性，定义为