3.1 目标检测之YOLOv1算法学习笔记

one-stage&two-stage碎碎念…

目标检测one-stage与two-stage的区别
one-stage:YOLO系列——直接回归
解释one-stage:直接回归物体的类别概率和位置坐标值（无region proposal），但准确度低，速度相遇two-stage快。
two-stage:Faster-CNN系列——有一个预选的过程
解释two-stage:先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。

YOLO-v1系列

1、基本理解

• 经典的one-stage
• you only look once
• 把检测问题转化成回归问题，一个CNN就搞定了
• 可以对视频进行实时检测，应用领域非常广

2、基本思路：bounding_box与confidence

1）v1bounding_box回归问题：

• 主要先回归候选框bounding box（左一SxS中黄色格子）的长宽，对比（h1，w1）与(h2，w2)等长宽的回归效果，看哪个合适；
• 并且看回归任务中候选框的起始位置（x,y）哪个合适
• 整体预测（x,y,w,h）候选框的起始位置（x,y）和候选框的长宽（w,h）

2)候选框与真实值之间的IOU计算,找IOU值最大的点
IOU(交并比)理解
3) confidence置信度：表示检验框里是否有目标特征值的置信度

3、模型具体阐释

1）整体网络架构

2）yolo模型中出现的每个字母的含义

• （x,y）起始坐标位置
• （w,h）候选框Bounding_Box的长宽
• （c）识别目标物体的置信度confidence
• （B）候选框个数

• SxS相当于网格大小
• 5指的是x,y,w,h,c五个元素
• C类别
  结果图：
  

3)损失函数

4、优缺点