yolo系列的统一学习

对yolo系列的统一学习

一、深度学习的经典检测方法

1.one-stage（单阶段）
yolo系列
通过单个CNN网络直接回归
特点：速度快，精确度低
2.two-stage（双阶段）
Faster-rcnn Mask-rcnn系列
在单个CNN网络的基础上再加上预选的步骤
特点：速度满，精确度高

二、yolo系列的各种指标

map：综合检测效果
置信度：检测出的图像是某物体的概率
IOU:检测框交集与并集的比值

Precision（精度）：TP/TP+FP
Recall（召回率）：TP/TP+FN

其中各部分的值含义如下
简单来说，检测提取出来的数据总和为TP+FP，其中，数据中判断正确的就是TP，判断错误的就是FP。而未检测提取的数据就是FN+TN,其中，其中本应被提取的数据为FN,剩下的就是TN。
所以，检测出来的数据中正确的数据越多，精读就越高；所有正确的数据中被检测出来的越多，召回率越高。

三、yolo的核心思想

YOLO：You Only Look Once
把检测问题转化成回归问题
在YOLOv1和v2版本中，把输入的图片分成n个格子，每个格子中心延申出两个候选框，对候选框中置信度大于阈值的做出筛选（基于IOU）并进行微调，小于阈值的忽略不计，最终输出图片。

四、整体网络架构

以上架构只限于YOLO初代版本，在后续YOLO版本中几乎已经不使用此架构（虽然后面的架构我还没学到）。

五、各种数据损失函数