yolo后处理就是模型的输出进行处理，得到我们想要的坐标框的$xywh$以及$confidence$

学习笔记

这是yolov1的模型，他将图像划分成了7x7个网格，每个网格负责预测两个边界框，每个边界框都有5个信息$x、y、w、h、confidence $ ，（这个confidence是该区域有目标框的概率），共预测20个类，每个类都有一个置信度信息（这个confidence是这个框是猫是狗的概率），所以最终输出为 $7\ast 7\ast 30$

然后每个边界框的confidence 乘以所有类别的confidence就是边界框的全概率

这样每个grid cell都能有两个20维向量，一共49个grid cell，所以共有98个向量

这些向量就组成如下的很多边界框

下一步就是筛选出真正的边界框

第一步：这张图片上并不是有20个类的，所以先有个阈值将大于这个阈值的类别筛选出来，比如筛选出了dog、bicycle、car
然后分别对这三个类处理，比如先对dog，从dog类的所有96个置信度进行从大到小排个序，设置一个阈值，confidence小于这个阈值的就被舍去了。

但确实还有真正包含某个物体的多个框，比如下面四个bbox的置信度都比较大，那怎么从这多个框中选择最合适的呢？

下面就是非极大抑制NMS

应该先将置信度最大的拿出来，然后后面的每一个都与第一个最大的作比较，如果IOU大于某个阈值，则认为两个识别了同一个物体，则把低置信度的那个抑制掉。比如bbox20和bbox47重合度较大，所以认为两个是同一物体。

如果IOU小于这个阈值，就说明两个框不是识别的同一个物体，保留。bb15和bb7与bb47的重合度较小，所以认为两个box不是同一个物体。

然后选取剩下的第二大置信度作为基box，其他框再与这个框比较，比如bb7和bb15重合度较大，认为这两个box内是同一个物体。

合适的阈值下可能只留下一个框，当然某些阈值下可能会保留更多的框，阈值的设置应该是根据目标任务设置的，越高的阈值（越不容易置零，即越宽容）会检测出越多的目标。

对其他类别也是同样操作，就得到了所有的目标框。

当然注意，在训练阶段是不需要剔除框的，所有框对我们反向传播参数更新都是有用的，只是在推理阶段需要这样做。