yolov1

1、对precision（精确度）和recall（召回度）的理解

1、TP TN FP FN的概念

TP（True Positives）意思就是被分为了正样本，而且分对了。
TN（True Negatives）意思就是被分为了负样本，而且分对了，
FP（False Positives）意思就是事实上这个样本是负样本，但是你当成正的了。误报！
FN（False Negatives）意思就是事实上这个样本是正样本，但是你没识别出来。漏报！

2、precision（精确度）和recall（召回率）

Precision=TP/(TP+FP)，precision可以理解为“模型认为正确且确实是正确的样本占模型认为正确的所有样本的概率”，宁可漏报不误报，适用于火灾检测，宁愿检错100假的也不愿放过1个真的。

Recall=TP/(TP+FN)，recall可以理解为“模型认为是正确且确实是真确的样本占所有正确的样本的概率”，宁可误报不漏报，适用于质量监控，一箱产品只要有一个是坏的整箱就得退回，那么我宁愿100个里面只有一个品控过关也不愿意夹杂一个残缺品。

 2、map

map综合考量了precision和recall指标

 3、yolov1的核心思想

1.将输入图片分割为s*s的网格，每个网格有两个候选框。

2.计算候选框内包含物体的概率，即confidence，如果候选框confidence大于阈值，才能参加后面的计算。

3.选取两个候选框中IOU较大的那一个。

4、yolov1的网络架构

1.由于全连接层的存在，输入图片的大小448*448不可改变。

2.网络架构如下：

最后reshape得到7*7*30的含义如下图：

5、yolov1的损失函数

6、优缺点