YOLOV1学习笔记

一、前言

        本文主要记录up在学习YOLOV1的笔记。欢迎大家一起阅读学习，并且也欢迎大家指出其中的错误理解以及补充相关知识。

二、摘要

        我们介绍了 YOLO，一种新的物体检测方法。之前关于对象检测的工作重新利用分类器来执行检测。取而代之的是，我们将对象检测视为空间上分离的边界框和相关类概率的回归问题。单个神经网络在一次评估中直接从完整图像中预测边界框和类概率。由于整个检测管道是单一网络，因此可以直接在检测性能上进行端到端优化。
        我们的统一架构速度非常快。我们的基本 YOLO 模型以每秒 45 帧的速度实时处理图像。该网络的较小版本Fast YOLO每秒处理155帧，同时仍能实现其他实时检测器的两倍mAP。与最先进的检测系统相比，YOLO犯了更多的定位错误，但在不存在的情况下预测错误检测的可能性要小得多。最后，YOLO学习对象的非常通用的表示形式。在毕加索数据集和人物艺术数据集上，从自然图像泛化到艺术品时，它的性能远远优于所有其他检测方法，包括 DPM 和 R-CNN。

 三、创新点

        相比于之前的R-CNN等网络，YOLOV1为一阶段网络，单独的CNN模型，实现了端到端的目标检测，它把目标检测问题看作是一个回归问题。

        YOLO将目标检测问题作为回归问题。它将输入图像分成S×S的网格，如果一个物体的中心点落入到一个网格中，那么该网格就负责预测该物体，一个格子只能预测一个物体，生成两个预测框。

        输入：图片

        输出：图片中目标对象的boxes信息（x、y、w、h和c）以及类别概率信息

四、缺点

1、由于最后会输出7×7的网格，当小目标物进行多次卷积之后，，其的特征图可能会发生缺失，导致无法成功检测。

2、当两个目标物的中心都在一个网格时，会发生漏检情况。

3、当目标物出现新的长宽比例时，检测的效果较差。

五、说明

        本文章主要作为学习笔记，图源均来自网络，侵删！