yolo原理笔记(最原始的算法推导) v1

前言：最近新入了目标检测的坑，查阅了一些相关的资料，整理一下笔记，和大家分享一下。这篇文章的内容非常基础，有很多深度学习的相关概念，都随手标注解释，所以篇幅可能会很长，可能读起来分不清主线，先这样写着，后面慢慢整理。

主要分为以下两个内容：

1. 从整体的角度分析yolo
2. 从零开始设计检测器

yolo：you only look once

一、yolo的性能

下图是一些经典的(Object Dectection model)目标检测模型EfficientDet(D0-D4), ASFF, ATSS, YOLO, CenterMark在MS COCO数据集上的表现，给出的几个模型都是目前性能比较好的，可以发现yolov4 在视频中的目标检测性能要远大于其他的模型，特别是针对于yolov3有接近两倍的速度提升，这使得有充分的理由去学习yolo的算法原理。

这里图片的纵横坐标分析：

FPS：视频的帧率，每秒可以处理视频流中的图片的个数。

AP: (Average Precision),AP就是平均精准度，是主流的目标检测模型的评价指标。简单来说就是对PR曲线上的Precision值求均值。对于pr曲线来说，我们使用积分来进行计算:

     

        如果想理解这个公式，需要知道IoU，Precision & Recall，PR曲线等概念

       1.  IoU（Intersection over union）：交并比IoU衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积（的比例。如下图，两个矩形框的IoU是交叉面积（中间图片红色部分）与合并面积（右图红色部分）面积之比。

通常在目标检测任务中，如果模型输出的矩形框与人工标注的矩形框的IoU值大于某个阈值时（通常为0.5）即认为模型输出了正确的结果。

          2. （Precision & Recall）

          Precision 和 Recall最早是信息检索中的概念，用来评价一个信息检索系统的优劣。Precision 就是检索出来的条目中（比如：文档、网页等）有多大比例是需要的，Recall就是所有需要的网页的条目有多大比例被检索出来了。用到目标检测领域，假设有一组图片，里面有若干待检测的目标，Precision就代表模型检测出来的目标有多打比例是真正的目标物体，Recall就代表所有真实的目标有多大比例被的模型检测出来了。换个更通俗的例子，10个花生和15个黄豆和25个玉米撒在一起，小明的妈妈让小明把他们都捡起来，说先让把玉米挑出来，小明嫌麻烦随便抓了一把，里面有5个花生、6个黄豆、7个玉米和8个小石子。

那么Precision = (5+6+7)/(5+6+7+8)     Recall = 7/(5+6+7+8) 

在目标检测中通常是这样使用的，如下图所示：(通常将IOU大于0.5的视为正确的，将IOU小于0.5的视为错误)

TP，即原本正确的，预测值也是正确的      v

FP，即原本错误的，预测值却是正确的      x

TN，即原本错误的，预测值也是错误的     v

FN，即原本正确的，预测值却是错误的      x

（1）TP就是【True P】;FP就是【False P】。都是站在预测的角度来描述的。

（2）P代表的是Positive【正类】; N表示的是Negative【负类】,站在标签的角度讲的。

                                                                                   

  3. PR曲线

         检测的结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛盾的。比如极端情况下，只检测出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么必然Recall必然很大，但是Precision很低。

因此在不同的场合中需要判断希望P比较高还是R比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。

下面详细说明一PR曲线如何绘制，通过阅读上面的文章可以发现，计算P ，R 需要站在预测的角度，首先要解决的问题是什么样的预测值是错误的，什么样的预测值是正确的。此时需要一个阈值作为界限，大于这个阈值的为正确，小于这个阈值的为错误。

给定一个阈值，就能计算一个P值和一个R值，正如所想的那样，通过改变不同的阈值，就会得到不同的预测结果，这样就会得到一系列不同的点对(P, R),