我正在Coursera上学习“卷积神经网络” ，它由 Andrew Ng 教授。我在第 3 周，对 YOLO 算法感到困惑。我检查了 coursera 上的课程论坛，但我仍然不清楚，似乎很多人对此感到困惑
- 什么是训练数据？所有的图像和物体在它的位置？因此对于图像，如果其中有一辆车和一个人，那么输入将是图像的矢量表示、中心的位置 (x,y)、2 个对象的高度和宽度以及包含在每个盒子。因此，图像的总矢量表示 + 2 个中心的 4 个坐标 + 2 个框的 4 个高度和宽度 + 2 个目标代码 - 一个用于人，一个用于汽车。对？
- 测试数据是什么？仅测试图像的矢量表示？该课程讨论将图像拆分为s 网格。我最初认为将s 网格中的一个小方块作为输入。但我认为情况并非如此。必须馈送整个图像。那是对的吗？
- 如何使用来自 s*s 网格的正方形？
- 训练图像和测试图像的大小必须相同吗？他们所说的“汽车检测数据集有 720x1280 图像，我们已将其预处理为 608x608 图像”是什么意思。在第 3 周的作业中？
更新 1------------------------------------------------------
- 如果火车图像有 2 个对象且最大类别为 3，那么输入将是图像的矢量表示 + 8*2 的输入矢量吗？
- 输入向量的长度会根据单个图像中的对象而变化吗？
- 我仍然不清楚如何使用 s 网格。如果图像中间有一辆大汽车，而 YOLO 从图像中心的 s 网格中看一个小方块，则无法检测到有汽车。我们必须从中心到 YOLO 提供更大的正方形，以便它知道有车。那么喂一个小方块有什么用呢？
- 我们如何喂一个更大的正方形？
- 从 s*s 网格馈送正方形的过程是否发生在多个卷积层之后（因此基本上较小的正方形代表更大的区域）？
- 您有图像及其缩小版本的示例吗？他们的一些数据科学正在萎缩吗？
--------------------更新2
我读了答案，又看了一遍视频，还是不清楚
2.输入向量的长度会根据单个图像中的对象而变化吗？例如，如果 image1 有 5 个对象，那么输入的长度将比只有 1 个对象的图像长得多。我们如何在输入不是固定宽度的情况下提供此类数据。我们是否找到具有最大对象的图像并确定输入的长度，而对于其余图像，我们只需填充 0（以使输入向量具有相同的长度）？
- 我仍然对 ss 网格感到困惑。我最初问如何使用来自 s*s 网格的正方形？
阅读以下答案后，我更新的问题是我仍然不清楚如何使用 ss 网格。如果图像中间有一辆大汽车，而 YOLO 从图像中心的 ss 网格中看一个小方块，则无法检测到有汽车。我们必须从中心到 YOLO 提供更大的正方形，以便它知道有车。那么喂一个小方块有什么用呢？
答案（在原始答案的评论中）说 3：网格单元不包含整个边界框，而仅包含边界框的中点。
我的困惑是：根据前面的讨论，我们不单独提供网格单元。我们一次性输入整个图像。那么创建 ss 网格有什么意义呢。如果图像只看一次，那么算法如何检测两个物体——一辆大车和一辆小车？我们创建网格，网格仅用于查找对象的中点。但随后整个对象被识别。我仍然不清楚这部分。
我觉得我不是唯一一个很难理解 YOLO 的人。我在课程的评论部分看到多个线程提出了类似的问题，我将不胜感激耐心和指导
