yolo算法部分简单理解

“You Only Look Once”或“YOLO”是一个对象检测算法的名字

“You Only Look Once”的意思是只看一次，进一步把目标判定和目标识别两个步骤合二为一，所以识别速度有了很大提升

YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。

什么是one-stage?

目前的目标检测算法分为两类，一类是two-stage（两阶段）一类是one-stage（单阶段），two-stage检测算法把检测问题划分为两个阶段，先产生候选区，然后对候选区分类，他们识别错误率低，漏识别率也较低，缺点是速度较慢，而one-stage没有生成先验框，不需产生候选区域则为单阶段，直接产生物体的类别概率和位置坐标值，经过单次检测就可以直接给出最终的检测结果

one-stage的意思是直接回归物体的类别概率和位置坐标值

one-stage的目标检测方法是直接通过主干网络给出类别和位置信息，没有使用RPN网路。这样的算法速度更快，但是精度相对Two-stage目标检测网络了略低

YOLO将对象检测重新定义为一个回归问题。它将单个卷积神经网络(CNN)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别，相比R-CNN算法，其是一个统一的框架，其速度更快。

yolo网络结构简单，是单纯的做卷积操作，池化后加了两层全连接，这里先拿yolov1来简单讲述

yolo v1首先利用了卷积神经网络进行了特征提取

利用整张图作为网络的输入，直接在输出层回归bounding box的位置及其所属的类别。将一幅图像分成 SxS 个网格，如果某个对象（object) 的中心落在这个网格中，则这个网格就负责预测这个对象。 

每个网格要预测 B 个 bounding box，每个 bounding box 除了要回归自身的位置之外，要附带预测一个 confidence 值。confidence表征的是对应的bounding box是否包含目标以及该bounding box对目标位置的预测是准确程度。代表了所预测的bounding box中是否含有object和若有object，这个object预测得有多准的两重信息。还有C个类别的概率，与分类中的类别预测类似，主要在于这个类别概率是在边界框内包含目标的前提下的概率，所以称为条件类别概率其中每个bounding box包含5个值，分别是目标的中心点坐标(x, y),目标宽度和高度(w, h)以及confidence，所以每个网格的输出就是(5+C)的Tensor（张量），共有SxS个网格，那么网络的完整输出就是SxSx(B*5 + C)的Tensor。

yolov1基础版网络是24层卷积+两个全连接层。

Yolo的训练过程是end-to-end的，ImageNet上分类预训练前20层，在加上4个卷积，2个全连接层训练检测网络。最后一个网络层的输出是类概率和边界框坐标，使用线性激活函数，使用平方差进行优化

为了优化神经网络，应用到了损失函数，损失就是网络实际输出值与样本标签值之间的偏差，

在进行模型训练时，我们需要构造训练样本和设计损失函数，才能利用梯度下降对网络进行训练。模型预测，将图片resize成448x448的大小，送入到yolo网络中，输出一个 7x7x30 的张量（tensor）来表示图片中所有网格包含的对象概率以及该对象可能的2个bounding box和置信度。在采用NMS（非极大值抑制）算法选出最有可能是目标的结果。

YOLO 结构十分的快，标准的 YOLO 版本每秒可以实时地处理45帧图像，缺点是定位误差易出错

本文仅做了解作用，专业性并不强