YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，通过单个神经网络直接预测目标边框和类别，实现端到端检测。相比传统方法，YOLO速度快、使用全图信息，能学习到目标的概括信息。每个网格预测多个边界框和类别概率，通过IOU选择最佳边界框。尽管如此，YOLO在处理相邻目标和小目标时的准确性有待提高，其损失函数设计对大小不同的边界框误差处理均匀，可能影响检测效果。
之前学习的RCNN系列的目标检测算法都是先提取出候选区域，然后利用分类器识别这些区域，并对候选区域进行位置修正。这类方法流程复杂，存在着速度慢、训练困难等缺点。
YOLO算法将检测问题看做是回归问题，采用单个神经网络，利用整个图像的信息来预测目标的边框、识别目标的类别，实现端到端的目标检测，如图所示。YOLO相比于之前的算法有如下优点：
1）非常快。YOLO的流程简单，速度很快，可以实现实时检测。
2）YOLO采用全图信息进行预测。与滑动窗口、region proposals不同，YOLO在训练、预测过程中利用全图信息。Fast R-CNN方法错误地将背景块检测为目标，原因在于Fast R-CNN方法在检测时无法看到全局图像。相比于Fast R-CNN，YOLO可以将背景预测错误率降低一半
3）YOLO可以学习到目标的概括信息。我们采用自然图像训练YOLO，然后采用艺术图像来预测，YOLO比其他目标检测算法的准确率高很多。
YOLO：
该方法将图像划分为S*S个格子。如果一个目标的中心落入某个格子中，那么该格子负责检测该目标。每个格子预测B个
最低0.47元/天 解锁文章
4366
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
