YOLO系列算法原理介绍

1. Yolo介绍：

1.1 YOLO：
You Only Look Once，是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。
Joseph Redmon和Ali Farhadi等，2015年首次提出。
在2017年的CVPR上，Joseph Redmon和Ali Farhadi又提出了YOLO2，后又再次提出了YoloV3。

1.2 特点：

1. One-stage
2. 同时预测多个bbox和类别
3. 端到端的目标检测和识别
4. 速度更快：
   ----实现回归功能的CNN并不需要复杂设计；
   ----直接选用整图训练模型，更好的区分目标和背景区域。

1.3 实现方法：

1. 图像被分成S×S个格子, 如下图所示：
2. 如果某个object的中心落在这个网格中，则这个网格就负责检测这个object
3. 每个格子要预测B个检测框及其置信度，以及C个类别概率
4. 每个bounding box要预测(x, y, w, h)和confidence共5个值
   ----confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值这样计算: Pr(object)×IOU(gt, pred)
5. 输出就是S x S x (5*B+C)的一个tensor
   ----举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。

2. YoloV1网络结构

2.1 网络结构如下图所示：

2.2 网络结构分析：

1. 网络结构借鉴了 GoogLeNet 。24个卷积层，2个全链接层。（用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）
2. 网络使用小卷积，即1×1和3×3
3. FC输出为：S×S×(5×B+C)
4. 网络比VGG16快，准确率稍差

2.3 LOSS函数：

1. 均方和误差之和，包括：坐标误差、IOU误差和类别误差
2. 权重考量，整个的损失函数如下图所示：
   

3. YoloV1网络训练

1. 预训练分类网络：
   在 ImageNet 1000-class competition dataset上预训练一个分类网络

2. 使用预训练参数（20个con）来初始化YoloV1，并训练VOC20

3. 将输入图像从224×224 resize为448×448

4. 训练时B个bbox的GT设置相同

4. YoloV1的不足

1. 输入尺寸固定
2. 小目标检测效果差:
   ----同一个格子包含多个目标时, 仅预测一个(IOU最高)

5. YoloV1的网络性能

6. 参考网页:

https://blog.csdn.net/gbyy42299/article/details/88869766?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

https://blog.csdn.net/qq_43211132/article/details/90731088?utm_medium=distribute.pc_relevant_t0.none-task-blog-OPENSEARCH-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-OPENSEARCH-1.nonecase

YOLOv1，YOLOv2，YOLOv3解读: https://blog.csdn.net/hancoder/article/details/87994678