<h1><strong>参考资料：</strong> </h1>
<pre class="blockcode"><code>
YOLO主页 https://pjreddie.com/darknet/yolo/
YOLOv1
论文下载：http://arxiv.org/abs/1506.02640
代码下载：https://github.com/pjreddie/darknet
YOLOv2&YOLO9000
工程代码地址：http://pjreddie.com/darknet/yolo/
代码和预训练模型地址：http://pjreddie.com/yolo9000/
YOLOv3
代码下载：https://github.com/pjreddie/darknet/tree/yolov3
keras：https://github.com/qqwweee/keras-yolo3
tensorflow：https://github.com/wizyoung/YOLOv3_TensorFlow
YOLOv4
论文地址：https://arxiv.org/pdf/2004.10934.pdf
GitHub地址：https://github.com/AlexeyAB/darknet
参考文章：
https://blog.csdn.net/qq_30815237/article/details/91949543
https://blog.csdn.net/guleileo/article/details/80581858</code></pre>
<h1><strong>一、概述</strong></h1>
<p> YOLO（You Only Look Once）是一个基于深度学习技术的深度神经网络模型，对图像中目标位置定位与类别的检测，其核心思想是，利用一整张图像作为深度神经网络的输入，网络直接输出回归框（bounding box）的位置及其所属的类别。</p>
<p style="text-align:center;"><img alt="" height="304" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-e630918fbb4de474af8cfeda7c26b708" width="506"></p>
<p>优点：模型运行速度快；</p>
<p> end-2-end，直接预测位置与类别，不容易在背景上预测出错误的物体信息</p>
<p>对比RCNN、Fast-RCNN、Faster-RCNN：</p>
<p> RCNN开创性的提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区Selective Search，大概2000个左右，然后对每个候选区进行对象识别。大幅提升了对象识别和定位的效率。不过RCNN的速度依然很慢，其处理一张图片大概需要49秒。因此又有了后续的Fast RCNN 和 Faster RCNN，针对RCNN的神经网络结构和候选区的算法不断改进，Faster RCNN已经可以达到一张图片约0.2秒的处理速度。</p>
<p>二、YOLOv1</p>
<ol><li>将一张图片分成SxS个网格（grid cell），如果某个物体的中心落在了某一个网格中，则这个网格就负责预测这个物体；</li><li>每个网格要预测B个bounding box，每个bounding box包括位置信息(x,y,w,h)，分别是bounding box的中心点坐标 (x,y)，x, y 用对应网格的 offset 归一化到 0-1 之间，bounding box的长宽(w,h)，w, h 用图像的 width 和 height 归一化到 0-1 之间，每个bounding box还包括一个confidence值，所以每个bounding box一共5个值；</li><li>confidence值代表预测的box中含有被检测目标的置信度，<img alt="confidence=Pr(Object)\ast {IOU}^{truth}_{pred}" class="mathcode" src="https://private.codecogs.com/gif.latex?confidence%3DPr%28Object%29%5Cast%20%7BIOU%7D%5E%7Btruth%7D_%7Bpred%7D">，若有被检测目标落在grid cell中，则Pr(Object)=1，否则Pr(Object)=0； 第二项代表预测的bounding box与实际的groudtruth之间的IOU值；<span style="color:#f33b45;">（IOU是怎么算出来的？）</span></li><li>每个grid cell还会预测C个类的类别信息，所以SxS个网格，每个网格预测2个bounding box和C个类别，每个bounding box预测5个值，所以最终输出为SxSx(Bx5+C)，例如PASCAL VOC中，输入图片为448x448，S=7，B=2，C=20类，所以最终输出是7x7x30的一个Tensor，30维的信息如下图所示； <p style="text-align:center;"><img alt="" height="264" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-0c0d0d6a1b447161e8d7e932a1183d4d.png" width="431"></p> </li><li>网络结构如下，就是单纯的卷积、池化最后加了两层全连接，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率，所以最后输出层用线性函数做激活函数。网络输入是448x448x3的图片，所以图片会被resize； <p style="text-align:center;"><img alt="" height="240" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-0ccc374fbf38f50d8f7dd30f614843d2" width="592"></p> </li><li>一些细节点的解释：</li></ol>
<ul><li>虽然有时说"预测"的bounding box，但这个IOU是在训练阶段计算的。等到了<strong>测试阶段（Inference），这时并不知道真实对象在哪里，只能完全依赖于网络的输出，这时已经不需要（也无法）计算IOU了；</strong></li><li>我们需要<strong>事先</strong>根据样本给出一个正确的bounding box作为回归的目标。<strong>YOLO的2个bounding box事先并不知道会在什么位置，只有经过前向计算，网络会输出2个bounding box</strong>，这两个bounding box与样本中对象实际的bounding box计算IOU。这时才能确定，<strong>IOU值大的那个bounding box，作为负责预测该对象的bounding box；</strong></li><li>训练开始阶 |
|
转播
