深度学习小白笔记：YOLO

YOLO是《You Only Look Once: Unified, Real-Time Object Detection》的全称。在仔细分析YOLO之前，先来简单讲讲目标检测这个领域吧。
（由于目标检测这方面的内容看的比较少，这篇文章单纯从看过YOLO的视角去写的，在很多知识点和细节方面的东西，等到我都看完了之后，在R-CNN系列文章的论述中在细细品味吧~~(。・＿・。)ﾉ）
基于深度学习的目标检测算法目前比较主流的是两大类：
1.two-stage算法：先使用selective search（启发式方法），或者CNN网络（RPN）产生Region Proposal（目标子区域），在此基础上做分类与回归。
代表便是R-CNN系算法（R-CNN，Fast R-CNN，Faster R-CNN）
这部分的内容没有看完，之后会补上的(。・＿・。)ﾉ
2.one-stage算法：仅使用一个CNN网络直接预测不同目标的类别与位置。
代表便是YOLO，SSD
两种类型比较：two-stage的准确度高，但是相对速度慢。.one-stage算法速度快，准确率相对较低。（附上一张图直观一些吧）

了解了目标检测的简单背景后我们来看看YOLO的网络结构吧~（今天的主角(# ^ . ^ #