目标检测与YOLO算法（用Python实现目标检测）

       最近在听Andrew Ng讲解目标检测的视频，包括目标定位，特征点检测，卷积的滑动窗口的实现，Bounding Box预测，交并比，非极大值抑制，AnchorBoxes，YOLO算法以及候选区域，并通过查阅相关的资料，对以上内容有了初步的理解，趁热打铁，总结如下。

一、目标定位（Object Localization）

图片分类：图片分类问题已经不陌生了，例如，输入一张图片到多层卷积神经网络，它会输出一个特征向量，并反馈给softmax单元来预测图片的类型。

定位分类问题：不仅要用算法判断出图中是否有一辆汽车，而且还要标注汽车的位置，一般用边框（Bounding Box）来标注。通常只有一个较大的对象位于图片的中间位置，我们要对它进识别和定位。

对象检测问题：图片可以含有多个对象 ，甚至单张图片会有多个不同的分类对象。因此图像分类的思路可以帮助我们学习对象定位，而对象定位的思路又可以帮助我们学习对象检测。 

目标分类（Object Classification）

目标定位（Object Localization）

目标检测（Object Detection）

 

 举个栗子（example）：

       如果你正在构建汽车自动驾驶系统，那么对象可以包括以下几类：行人、汽车、摩托车和背景，背景就是图片中没有行人、汽车、摩托车三类对象，输出结果便会是背景对象，这四个对象就是softmax函数可能输出的结果，这就是目标分类的过程。但是如果你还想定位图片中的位置，该怎么做呢？我们可以让神经网络多输出几个单元，输出一个边界框。具体说就是让神经网络再多输出 4 个数字，标记，，，这四个数字是被检测对象的边界框的参数化表示。

        

        图片的左上角是（0,0），右下角是（1,1），要确定边界框的具体位置，需要指定红色方框的中心点，这个点表示为 （ ,）,边界框的高度为，宽度为。因此训练集不仅包含神经网络要预测的对象分类标签，还要包含表示边界框的这四个数字，接着采用监督学习算法，输出一个分类标签，还有四个参数值，从而给出检测对象的边框位置。此例中, 的理想值是 0.5，大约是 0.7，约为 0.3，约为 0.4。

目标标签y的定义如下：

       它是一个向量，第一个组件表示是否含有对象，如果对象属于前三类（行人，汽车，摩托车），则  = 1，如果是背景，则图片中没有要检测的对象，则 = 0，我们可以这样理解，它表示被检测对象属于某一分类的概率，背景分类除外。，，表示对象属于1-3类的哪一类，是行人，汽车，还是摩托车。神经网络中的损失函数，其参数为类别y和网络输出