这里置顶的第一个项目是git上star超过k的一个yolo部署项目：
https://github.com/DefTruth/lite.ai.toolkit/
本项目入口地址
配套yolov1入口地址
配套yolov2入口地址
里面截图都来自这几个视频
DeepStream.io简介
机器不学习
说明：机器不学习是知乎专栏，这个博客非常详细，学习的好地方
铁心核桃
说明：对yolov有代码级别的说明
比如：目标检测那点儿事——快到飞起的YOLO-V1，如果想看代码级别的就看这个博客。
简直描述的太好了，人家是清华的
或者说：
精度=（检测到的正确数量）/（检测到的所有数量）
召回率=（检测到的正确质量）/（所有的正确数量）
但是（检测到的正确数量）跟设置的阈值有关系
这里要重点说一下14701这个一维张量，很多人问我，为什么他就能按照你说的77*30来排列，这个就是损失函数来控制的，如下：
（上面这个图有问题，大家都在引用）
上面这两张图解释一下，上面解释了预测阶段的框和置信度图形化标示，框颜色深的代表了框有没有物体的置信度高，下面红黄等标示了，这个框某个物体置信度高。
这里大致说明一下：
其中S^2就是7*7，B=2，代表有两个框，
位置误差的平方和开根号，主要是为了减少大框和小框对位置偏差的容忍度。
置信度误差是，每个候选框跟实际物体框IOU大小，选出来一个最大的IOU比。注意不含物体的有了一个权重，这是因为图片大部分是背景，如果背景不增加权重，会导致物体检测不出来，加了权重，告诉网络，背景的影响要小一点，比如权重是0.1
所以任何算法都是两部分组成：
网络结构
损失函数
NMS:
将同类别排序，然后做IOU，剔除IOU大的，然后再对后边的进行重复操作。
Yolov1缺点：
1、小物体无法检测
2、狗（哈士奇 花点狗）这种无法检测出来
dropout原理
线性层后边，激活前面，BN对初始化条件不那么敏感
也就是说BN在训练阶段调整两个参数，预测就可以直接用了。
BN层是为了防止输出数据进入激活函数的饱和区，导致梯度消失。将输出结果强制归纳到0附近。
所以目前卷积后面就有一个BN层。
Yolov2详细介绍
YOLO V2目标检测算法
这里5次降采样，2^5=32,416/32=13，就是这么来的
VGG 和RESNET组合，这里没有了全连接层，全连接层参数多，训练慢，比如全连接层是1048 1048那么参数就是10481048，但是如果是全连接33 获取64通道，就是3364，所以输入大小一定要被32整除
为什么要全连接，直接做成3370的不好吗？
VGG发现的33卷积核，darknet19个卷基层，就是19个卷基层，里面还有11的卷积核，主要用来增加通道数量，3*3的感受野比较大
faster-rcnn设置了9种框，比例是自己设置的。yolo作者剔除了K-means聚类的算法，聚类出5个框
这里K means的距离是通过IOU比值。
感受野越大，将来识别到的物体越大
上面是yolov1.
这些框都是从所有框里面聚合分类后的5个类别，预测的时候只要偏移一下框就好了，不用去变换框的大小
为什么是奇数而不是偶数
三个黄色框都是非0即1，紫色框是权重，超参数
3377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
