yolo目标检测2：yolov1整体思想和网络架构

上一节：https://blog.csdn.net/weixin_39107270/article/details/130408407

概念

1. You only look once
   
   把检测问题转化成回归问题，一个CNN就搞定了。

2. 核心思想

每个点处有2种候选框，如果候选框内有目标，对候选框进行微调，大于某阈值的候选框挑出来，计算IOU，最终回归预测得到 x,y,w,h和置信度阈值。

3. 网络架构

最终结果reshape为7730
7*7：最终网格的大小 （最终缩放到这么大吗）
30： 两种锚框的位置 x,y,w,h,c *2 +20种类别的概率，其中x ,y ,w,h 为相对位置？？？

4. 位置损失计算

损失函数包含 位置误差、置信度误差（前景和背景）、分类误差
损失函数中，同时涉及前景和背景的置信度误差，由于背景多，所以需要加一个纳米他权重。

5. NMS(非极大值抑制)

按置信度进行排序，选择置信度值最大的。

YOLO v1存在的问题

1. 重合在一起的东西难检测。
2. 小物体检测不到
   
   上一节：https://blog.csdn.net/weixin_39107270/article/details/130408407