YOLO v1预测数据格式、取值方式及规范出处问询

• YOLOv1原始论文指出，预测结果编码为(B*5+C)，其中：
  • B为边界框数量（论文设定B=2）
  • 5代表单个边界框的预测数据维度：(c, x, y, h, w)（依次为置信度、中心x坐标、中心y坐标、框高度、框宽度）
  • C为类别数（论文设定C=20）
• 按论文描述，推测预测数组的顺序应为[P, P, C]，其中P代表单个边界框的5维数据（即两个边界框数据在前，20个类别概率数据在后）
• 但部分第三方实现（比如“YOLOv1 from Scratch”项目）的代码中，预测数据格式为[C, P, P]（即20个类别概率数据在前，两个边界框数据在后）

这就产生了疑问：要提取第一个边界框的(c, x, y, h, w)数据，到底是取前5个值：

cxywh: np.ndarray = prediction[:5]

还是跳过前20个类别值后再取：

cxywh: np.ndarray = prediction[21:26]

权威来源说明 #

YOLOv1的原始论文是唯一的官方权威定义文档，其中明确规定：每个网格单元预测B个边界框和C个类别概率，输出的每个网格对应B*5 + C个值，顺序为B*5个边界框数据（每个边界框占5位）在前，之后是C个类别概率数据。

部分第三方实现调整维度顺序属于自定义修改，并非YOLOv1的标准设计。如果严格遵循YOLOv1的原始定义，应该按照[P, P, C]的顺序处理，即提取前5个值作为第一个边界框的预测数据。

内容的提问来源于stack exchange，提问作者mon