一 、前言
YOLO（You Only Look Once）是一种快速、高效、准确的目标检测算法，由Joseph Redmon等人于2016年提出。相比于其他目标检测算法，YOLO使用单个神经网络实现目标检测，使其更快、更高效。
YOLO算法的基本原理是将输入图像分成一个个网格，然后每个网格都会预测该网格内存在的物体的边框位置和类别概率。与传统的目标检测算法相比，YOLO在处理整个图像时只需要执行一次前向传递操作，因此速度非常快。此外，YOLO的网络结构比较简单，具有很强的通用性和可扩展性，可以应用于多种不同的目标检测任务。
在实际应用中，YOLO已经被广泛应用于各种计算机视觉应用，例如自动驾驶、监控和机器人。它以其高准确性和实时处理能力而闻名，是许多目标检测任务的首选算法之一。
二、目标检测常用名词
anchor box
候选框，需要手动设置，而且数据集不同的时候，候选框的大小也不同，
bounding box
给出物体在图像中的定位区域的表示，通常包含左上角点的坐标x1,y1， 还有这个检测框的宽高，
–>(x1, y1, H, W)。一般就是预测框
ground turth
在训练集上标注的物体框，一般包含物体的坐标、种类，是真实框
IoU
是预测框和真实框的交集除以并集。IoU = （bounding box 交 ground truth）/ (bounding box 并 ground truth)，用来评测算法的检测结果和真是结果的重叠程度，IoU越大说明重叠程度越高，模型的检测效果越好，一般在0-1之间。
nms（非极大值抑制）
在得出IoU之后，使用非极大值抑制，就可以保留同一区域内同一目标IoU最大的那个检测框，从而去点一些多余的重复框。
mAP
这是一个所有类别AP值总和的平均数，用来评价模型的性能，衡量检测器在所有类别上的性能好坏。
AP
AP(average precision 平均精度)：AP是计算单类别的模型平均准确度。对于目标检测任务，每一个类都可以计算出其Precision和Recall，每个类都可以得到一条P-R曲线，曲线下的面积就是AP的值。如果一个算法的AP值较大，也就是P-R曲线下的面积比较大，可以认为此算法查准率和查全率整体上相对
- 如果IoU >= 0.5
- 如果预测类别也正确，认为是一个好的预测，分类为TP
- 如果预测类别错误，认为是一个坏的预测，分类为FP
- 如果IoU < 0.5, 认为是一个坏的预测，分类为FP
- 如果一个目标出现在图像中，但是算法未检出，分类为FN
RPN
候选区域，通常用于two-stage目标检测器。提取出所有可能包含识别目标的一些区域。RPN做的事情就是，如果存在一个区域，他的p > 0.5, 则认为它是所检测类别中的某一类，但是具体属于哪一个类还不确定 ，用Network把这一个区域提取出来，就是所谓的感兴趣区域，然后RPN在这些感兴趣的区域上输出bounding box。 意思就是在一张图上面选出一些感兴趣的候选区域，只对这些感兴趣的候选区域进行处理，然后忽略掉那些不感兴趣的背景之类的信息。
PR曲线
Precision是精度，Recall是召回率,P—R曲线就是根据这两个值来绘制的，
FLOPS FLOPs parameters
FLOPS：floating point opreations per second的缩写，意思是每秒浮点数运算次数，可以理解为计算的速度，这是用来衡量硬件的指标。
三、YOlO_V1
1.概述
- 深度学习经典检测方法
two-stage(两阶段)：Faster--rcnn Mask-Rcnn系列（多了预选框）
9one-stage(单阶段)：YOLO系列 - one-stage:
最核心的优势：速度非常快，适合做实时检测任务！
但是缺点也是有的，效果通常情况下不会太好！ - two-stage:
速度通常较慢(5FPS),但是效果通常还是不错的！
非常实用的通用框架有MaskRcnn,
2.核心思想
YOLOV1最后生成7×7的网格(grid cell)，每个grid cell会产生两个预测框(bounding box)，每个grid cell产生的两个预测框只能预测同一种类物体，也就是说YOLOV1最多只能预测49种物体，两个预测框中哪一个与标注框的IOU大就选哪一个(此即正样本)，另外一个会被舍弃(负样本)；特殊情况(如果有两个相同种类的物体中心点都落在同一个grid cell中，此时这个grid cell的两个预测框有可能都与真实框有最大的IOU，也即两个预测框都为正样本，这也就是说YOLOV1最多能预测49×2个目标)。如果标注框的中心点落在哪一个grid cell中就由这个grid cell产生的两个预测框去负责预测，没有标注框中心点落入的grid cell产生的两个预测框都视为负样本，置信度越小越好。
7×7意味着7×7个grid cell，30表示每个grid cell包含30个信息，其中两个预测框，每个预测框包含五个信息(x y w h c)，分别为中心点位置坐标，宽高以及置信度，剩下20个是针对VOC数据集的20个种类的预测概率(即假设该grid cell负责预测物体，那么它是某个类别的概率)。
3.损失函数
分别为位置误差，两个置信度误差（目标和非目标），分类误差组成
4.特点
优点：快速，简单！
问题1：每个Cell只预测一个类别，如果重叠无法解决
问题2：小物体检测效果一般，长宽比可选的但单
评论