YOLOV3算法详解——设计思想以及候选区域选择

本篇博文是笔者结合百度paddle公开课的一个AI识虫项目对YOLOV3算法做的一个解析
完整项目可参考https://aistudio.baidu.com/aistudio/projectdetail/250211

什么是目标检测?

相信有一定基础的深度学习开发者经常能听到目标检测这个词，那什么任务是目标检测呢。

简单地来说目标检测就是让计算机识别出图片里面对应的物体，并标上边界框

对于分类任务，我只需要识别这种图片是不是动物的图片即可
而对于目标检测任务，我并不是对整张图片做一个分类，而是对图片里的部分区域做一个分类，并绘制一个目标框标记物体

目标检测算法发展历程

既然图片分类是对整张图片进行分类，我们能不能从原图里“抠”下不同区域的图片进行分类呢？

答案当然是可以的，而这也是最初目标检测算法的思路

我们将目标检测任务进行拆分成两个任务，分别是产生候选区域， 对候选区域进行分类。而这也引入了算法的区别，我们常听到的一阶段目标检测算法，就是用一个网络同时产生候选区域并进行预测。而二阶段目标检测算法，则是分别进行候选区域产生和分类任务。

最初产生的候选区域方法比较“笨”，更准确地来说应该称其为穷举法，也就是将图片中每个像素都遍历一遍，再遍历其右下方的像素。两个像素就能确定一个区域，穷举法的好处就是思想简单，产生的候选区域都遍布整张图片，但它带来的计算量实在是过于庞大

假设图片长宽分别为W, H
则其候选区域的数量约为: （WWH*H)/4
这种计算量放在当今的硬件条件上也是很不现实的。

当今图像分类已经发展地较为成熟，目标检测的工作更多的是放在如何更smart地产生候选区域上面

其中目标检测算法中具有代表性的就是R-CNN系列，SSD，YOLO这几种经典算法

其中YOLO算法是较为常用的一种算法，它推理速度快的同时也能保证一定的精度

目标检测中涉及的基础概念

边界框bounding-box

我们对目标进行标注的时候采用的就是边界框， 也就是bounding-box。