机器学习系列（7）:目标检测YOLO算法及Python实现以自动驾驶为例

机器学习系列 (7)

图片挂了，大家可移步：
https://mp.weixin.qq.com/s?__biz=MzU4NTY1NDM3MA==&mid=2247483829&idx=1&sn=47e607838b88ebd87ecb104843ffd69d&chksm=fd8608b8caf181aee143675b16a17111f9bc3bfb2ee18bc2bbebb78e3edf3d42eadafe0092df&token=255604471&lang=zh_CN#rd

目标检测之YOLO算法原理及Python实现

目标检测：

• 1.目标分类
• 2.目标定位
• 3.特征点检测
• 4.滑动窗口检测
• 5.卷积的滑动窗口实现

YOLO算法：

• 1.什么是YOLO
• 2.边界框（Bounding Box）回归
• 3.交并比（IOU）
• 4.非极大抑制（NMS）
• 5.Anchor box
• 6.候选区域（Region proposals）(optional)
• 7.YOLO算法总结

YOLO的Python实现：

• 见文章内容

申明

本文原理解释及公式推导部分均由LSayhi完成，供学习参考，可传播；代码实现部分的框架由Coursera提供，由LSayhi完成，详细数据及代码可在github查阅。
https://github.com/LSayhi/DeepLearning

CSDN博客：https://blog.csdn.net/LSayhi

微信公众号:AI有点可ai(文末附有二维码，感谢您的关注)

一、目标检测

1.目标分类：

• 目标分类即对图像中的物体进行识别分类，是目标检测的第一阶，只要求分辨出对象的类别，常用卷积神经网络(CNN）实现。例如在自动驾驶应用中，目标分类的作用是识别出图片中的物体属于哪一个类别，属于是行人、汽车、自行车、红绿灯、护栏等。

2.目标定位：

• 目标定位即对图像中的物体进行位置识别，是目标检测的第二阶，要求输出对象的坐标信息，坐标常用中心点和长宽来表示。例如在自动驾驶中，目标定位的作用是确定图片中的行人、汽车等物体的具体位置。

3.特征点检测：

• 特征点检测即要对物体的某些特征进行识别，这可以通过神经网络输出相应特征点的坐标来实现，只需要把网络的输出改为特征点的坐标。例如在人脸识别应用中，识别出多组人脸特征点的信息，并根据识别出的特征点信息对此次检测的人脸进行识别。

4.滑动窗口检测：

• 滑动窗口检测即是要通过“滑动”检测窗口，对每一个窗口图像分别输入CNN进行识别，窗口大小可根据实际取值，例如图片像素为6286283，则可取正方形窗口边长为小于628的整数，然后滑动窗口到其它位置，按一定顺序遍历整张图片，输出每一次窗口里是否有物体，是什么物体，性能依赖于窗口大小的选取及滑动的步长，由于CNN需要一个个处理窗口图像，若步长和窗口较小，检测的精度提高，但需要很长的时间；如果步长和窗口较大，虽然时间减小，但可能会降低检测精度。