本篇文章内容非100%原创，主要是学习博客，用以总结，如侵就删，本人是个菜鸡，如有不对，欢迎指正
文章目录
这部分主要讲述yolo系列各个版本的的原理，这部分会把yolov1到yolov5的原理进行详细的阐述。首先我们先来看深度学习的两种经典的检测方法：
Two-stage（两阶段）：代表-- Fsater-rcnn Mask-rcnn系列
One-stage（单阶段）：代表-- Yolo系列
两阶段和单阶段有什么样的区别呢，我们从整体上理解：单阶段的就是一步到位，我们输入一个图像，经过一系列传化，最终会得到一个输出结果；双阶段相较于单节段多了一些中间步骤，输入一个原始图像，我们会先得到一些中间值，最后才输出结果。更形象的表述为，我们要选择一个人当代表，代表安徽省踢球，那么双阶段就类似与我先在安徽各个市找一些好苗子，最后再从这些好苗子中选择一个最优秀的。具体可以参照下图：
既然两种检测方式有所区别，那自然会讨论他们的优缺点：
One-stage
优势：速度非常快，适合做实时检测任务
劣势：效果通常不会太好
Two-stage
优势：效果通常比较好
劣势：速度较慢，不适合做实时检测任务
其实他们的优缺点我们也很好理解，单阶段检测的没有中间过程，那速度肯定是相当哇塞了，但从效果来说，就相对差一点。我们可以看一下他们的对比（以单阶段的yolo和双阶段的Faster-rcnn为代表）
从上图可以看出，YOLO的mAP要低于Fast-rcnn,但是FPS却远高于Fast-rcnn。【FPS表示一个网络的检测速度，越大速度越快，mAP表示模型综合检测的效果，越大效果越好】
上面提到了一个术语：mAP。它表示的是一个综合检测的效果，因为表示模型效果的评价指标有很多，像IOU、precision、recall等，下面先来介绍这三个参数：
IOU：
真实框和预测框之间的交并比，可以反映两个框之间的距离
Precision（精度）和Recall（召回率）
精度表示分类的准确性，它等于将（正类分类正确）与（正类分类正确和错误）的比例
召回率的含义是表示（正类分类正确）与（正类分类正确和把正类判断成负类）的比值。简单来说，recall表示的就是一些没有检测到的物体的比例，比如一张图片有10个目标需要检测，一种方法你检测到了10种目标，那你的召回率就好；而另一种方法只检测到了8个图片，那么你的召回率就不好。
TP（真阳）——Ture Positives（表示判断正确，把正类判断成正类）
FP（假阳）——False Positives（表示判断错误，把负类判断成正类）
FN(假阴)——False Negatives（表示判断错误，把正类判断成负类）
TN（真阴）——True Negatives（表示判断正确，把负类判断成负类）
举例说明
已知：班级共100人，其中男生80人，女生20人
目标：找出所有女生
结果：从班级中选择了50人才找出20个女生，也即错误的把30名男生也挑选出来了
则
- TP=20 【把正类判断成正类，即找到的20个女生】
- FP=30 【把负类判断成正类，即将30个男生看做女生】
- FN=0 【把正类判断成负类，这里为0，所以女生都被选出来了】
- TN=50 【把负类判断成负类，即剩下的没有选出来的50个男生】
precision=20/(20+30)=2/5
recall=20/(20+0)=1
知道了precision和recall，这两个指标都可以表示检测的效果，为了综合表示检测效果，产生了mAP。首先先介绍什么是AP？AP事实上指的是，我们取不同的置信度，可以获得不同的Precision和不同的Recall，当我们取置信度足够密集的时候，就可以获得非常多的Precision和Recall。利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积即为AP的大小。如下图所示：
AP衡量的是对一个类检测好坏，mAP就是对多个类的检测好坏。计算方法就是把所有类的AP值取平均。比如有两类，类A的AP值是0.6，类B的AP值是0.4，那么mAP=（0.6+0.4）/2=0.5
算法思想：
YOLOv1 和后续的 YOLO 算法最大的不同是 YOLOv1 并没有使用先验框(anchor box)
1. 将图像划分为 S x S 的网格，论文中的设置是 7 x 7 的网格。如果某个物体的中心落在这个网格中，那么这个网格就负责预测这个物体。
2. 然后每个网格预测 B 个边框，论文中的设置是2个边框，即预测出 7 x 7 x 2 个边框，这个边框负责预测物体的位置。
3. 每个边框除了要预测物体的位置之外，还要附带预测一个置信度。这里的置信度不仅指边框包含目标的概率，还指边框定位目标的准确程度。
4. 每个网格还要预测C个类别的分数。比如说在 VOC 数据集上则会预测出20个类别。
5. 因此，对于 VOC 数据集来说，YOLOv1 的网络最后是输出预测位置（xywh）+置信度以及类别分数，所以输出为 7 x 7 x (5 + 5 + 20)。
6. 最后一层全连接层用线性激活函数，其余层采用 Leaky ReLU
模型结构
损失函数
损失函数=定位损失+置信度损失+分类损失
三者都用均方差损失（MSE）计算
Yolov1优点及不足
优点：
检测速度快
迁移能力强
不足：
1. 因为每个网格单元只预测两个框，并且只有一个类别。即每个网格只会选择出 IOU 最高的那个目标，所以如果每个网格包含多个物体，就只能检测出其中一个，所以对于拥有群体小目标的图片来说，比如鸟群，检测效果会很差。
2. 当出现新尺寸的目标时，效果也会变差，原因是 YOLOv1 使用简单的特征来预测边界框，并没有使用 anchor，导致定位的不准确。
3. 最后的输出层为全连接层。因为全连接层输出大小是固定的，所以导致图像的输入大小也必须固定，这在一定程度上来说有局限性。
4、MSE 在处理大边框和小边框时，赋予的权重是一样的。假设同样是预测与实际相差25个像素点，但是对于大边界框来说，小错误通常是无足轻重的，甚至可以忽略不计，但对于小边界框来说，这个数值对于它的影响就很大了
参考文章
CSDN博主「秃头小苏」
原文链接：https://blog.csdn.net/qq_47233366/article/details/122550734
知乎 cv技术指南
2351
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
