테스트 과정에서는 이 클래스에 대한 확률과 바운딩 박스의 신뢰도가 함께 사용됩니다. 수식으로 표현하면 다음처럼 정리할 수 있습니다.

Pr(Classi|Object) × Pr(Object) × IoU_truthpred = Pr(Classi) × IoU_trhthpred

바운딩 박스 내에 특정 클래스의 객체가 있을 확률과 예측된 바운딩 박스의 정확도를 동시에 고려하여 최종적인 클래스별 신뢰도 점수를 계산합니다. 이 점수는 바운딩 박스 내에 특정 클래스의 객체가 있을 확률과 그 바운딩 박스가 얼마나 정확한지를 함께 반영한 값입니다.

네트워크 디자인

YOLO는 객체 탐지 분야에서 혁신적인 모델로 주목받았습니다. 이 모델은 단일 합성곱 신경망(CNN) 구조를 사용하여 이미지 속 객체를 탐지하고 분류합니다. 이 합성곱 신경망의 기본은 이미지 내의 다양한 패턴과 특징을 파악하는 데 있습니다. 이러한 합성곱 층들은 이미지의 다양한 부분에서 고수준의 정보를 추출하며, 객체의 형태나 구조 같은 중요한 특징들을 학습하는 역할을 합니다.