YOLO（You Only Look Once）是一种快速的目标检测算法，它将检测视为回归问题，通过单个神经网络直接预测边界框和类别。YOLO将输入图像划分为网格，每个网格预测几个边界框和置信度。相比R-CNN等方法，YOLO速度快但对物体重叠处理不佳，且在某些情况下定位精度较低。其损失函数设计有助于减少不包含物体的网格的权重，但也可能导致训练不稳定。
Introduction
YOLO将目标检测重新定义为一个单一的回归问题，直接从图像像素出发进行边界框位置判定和类别的分类。您只需一次(YOLO)的图像，以预测什么对象出现和它们在哪里。
YOLO只是单独的使用一个卷积网络，同时预测多个bounding boxes 和每个boxes类别可能性。
这里提一下和R-CNN等的不同
R-CNN方法，首先在图像中生成潜在的边界框，然后在这些潜在的框上运行分类器。分类后进行后处理，细化边界框，消除重复检测（类似于IOU什么的），并根据场景中的其他对象重新打分。这些复杂的方法速度很慢，很难优化，因为每个单独的组件必须单独训练。
算法思想
YOLO将输入图像划分为S × S网格。如果对象的中心落在网格单元格中，该网格单元格负责检测该对象。每个网格会预测 B 个bounding boxes,和这些网格的置信度。这些置信度分数反映了模型对boxes是否含有对象的分数，以及它认为boxes预测的准确性。
这里置信度打分公式为：
<
最低0.47元/天 解锁文章
6729
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
