YOLOv1

单阶段目标检测

不需要产生区域建议框的就是单阶段目标检测算法，对于需要产生区域建议框的就是双阶段目标检测算法（two-stage）。

产生背景

之前 two-stage 方法如 R-CNN 把检测问题分成两部分，先生成候选区域（region proposal），再用分类器对区域分类，多阶段训练导致不易优化。

核心思想

之前 two-stage 方法如 R-CNN 把检测问题分成两部分，先生成候选区域（region proposal），再用分类器对区域分类，多阶段训练导致不易优化。

每个网格要预测B个bounding box（不是预先设置好的，而是运算出来的，不同于Faster RCNN所采用的Anchor，，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。
其中如果有object落在一个grid cell里，第一项取1，否则取0。 第二项是预测的bounding box和实际的groundtruth之间的IoU（交并比）值。

每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。则SxS个网格，每个网格要预测B个bounding box还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的。

加入是在Pascal数据集上训练的话：在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。

训练过程

和R-CNN差不多
首先 ImageNet 1000类 竞赛数据集上对卷积层进行预训练
然后再把网络根据检测任务微调

检测流程

1. 输入一幅多目标图像
2. 将图像划分成多个网格
3. 通过网格得到每个网格的分类概率，以及各网路预测的框＋置信度
4. 针对每个框，将概率与置信分数相乘，作为每个框特定于每个类的置信分数
5. 输出位置和类别信息

总结优缺点

优点

1. 首先，快！因为回归问题没有复杂的流程（pipeline）
2. 可以基于整幅图像预测（看全貌而不是只看部分），与基于滑动窗口和区域建议不同，YOLO在训练和测试期间可以看到整个图像，因此它隐式地编码有关类及其外观的上下文信息。因为能看到图像全貌，与 Fast R-CNN 相比，YOLO 预测背景出错的次数少了一半。
3. 学习到物体的通用表示（generalizable representations），泛化能力好。因此，当训练集和测试集类型不同时，YOLO 的表现比 DPM 和 R-CNN 好得多，应用于新领域也很少出现崩溃的情况。

缺点

1. 空间限制：一个单元格只能预测两个框和一个类别，这种空间约束必然会限制预测的数量；
2. 网络损失不具体：无论边界框的大小都用损失函数近似为检测性能，物体 IOU 误差和小物体 IOU 误差对网络训练中 loss 贡献值接近，但对于大边界框来说，小损失影响不大，对于小边界框，小错误对 IOU 影响较大，从而降低了物体检测的定位准确性。