目标检测总结：YOLO系列（1）

之前两篇文章介绍了two-stage 的目标检测框架，本文开始介绍 one-stage。

YOLO v1

YOLO，解决了目标检测中最大的难题：速度，它为目标检测提供了新的思路。
主要特点：1，快，2，将背景预测为前景的错误率小，3，泛化能力强。
主要思想：

• 将整张图作为网络的输入，直接在输出层回归box的位置和类别。
• 将图像分为S×S个网格，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
• 每个网格要预测B个box，坐标+confidence，共5维。confdience计算如下，
• 每个网格预测5维，同时还要预测类别信息（假设有C类），则输出为S×S×（5×B + C）。文中S为7，B取2
• ，VOC数据集的C为20
  网络
  
  其他细节
• 改用 leaky ReLU激活函数：修正了数据的分布，保留了负值，是