关键词：
为什么会叫YOLO呢？
YOLO：you only look once。只需要看一眼，就可以检测识别出目标，主要是突出这个算法 快 的特点。（原文：Yolo系列之前的文章：主要是rcnn系列的，他们的基本思想都是通过产生大量的 region proposal，然后再用分类器去判断分类和对bounding box进行修正。为检测一个对象，在检测图像上的各个位置、不同尺度进行评估。
yolo系列的文章提出了一个不一样的思路。大致思想就是将物体检测任务当做一个回归问题来处理，在输出层对bounding box 的位置和所属类别进行回归。
1. yolo v1 的基本思想
we frame object detection as a regressionproblem to spatially separated boundind boxes and associated classprobabilities.
我们设计将目标检测作为一个回归问题来处理空间分隔的边界框和相关的类概率
rcnn系列算法慢的原因：each individual component must be trainedseparately.
pipeline
使用YOLO来检测物体，其流程是非常简单明了的：
1、将图像resize到448 * 448作为神经网络的输入
2、运行神经网络，得到一些bounding box坐标、box中包含物体的置信度和class probabilities
3、进行非极大值抑制，筛选Boxes
问题:怎么产生box的？（带着问题去阅读）
Unified Detection（统一检测）
l 将输入图片划分成 S*S 的网格。如果目标的中心落入到网格内（我怎么知道目标的中心是否在网格内，注意是有监督的训练，给出的数据集会给出目标中心坐标），则这个网格就负责进行这个目标的检测
l 置信项反映包含目标的置信度和预测位置的准确度，相应的公式为 confidence = Pr(Object) * IOU
l 每个grid cell同时预测B个bounding box的位置和一个置信度。（这里的B个怎么理解：猜测意思就是每一个grid cell对应多个不同尺度比例的bbox
l 每个bounding box要预测(x,y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。
（x,y)表示框的中心相对于网格单元的边界的尺度；
（w,h)预测框相对于整个图像。
没有目标，则confidence就是零；有目标，confidence就是预测框与ground truth的IOU。
则SxS个网格，每个网格要预测B个bounding box还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。
上面这个公式表明了在box内类别出现的可能性和预测框匹配目标的好坏程度。
注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的。
l 得到每个box的class-specificconfidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS处理，就得到最终的检测结果。
根据图片描述整个算法过程
1. 输入一张图片，首先划分成 7*7 的网格grid cell。(接下来是每一个网格提取feature map，以便进行分类预测）
2. 将整张图片送进CNN网络，原图尺寸为448*448*3，经过CNN后变成了7*7*1024；
原来在原图上的一个grid cell, 大小是7*7*3(RGB图像，3通道），经过CNN后变成了 1*1*1024（也就是说原图上的一个7*7小格，对应的feature map 上 的一个像素点）
3. 最终448*448*3的图像，输出7*7*30的向量，30个通道的意思是（2*5+ 20）（20个通道，不同的通道提取出不同的信息，以便后面的处理）
20：使用Pascal VOC20数据集，分类种类数是20
2 ：每一个grid cell对应两种不同尺度的bbox
5 : bbox的5中信息，中心坐标x,y,宽和高w，h，置信度评分confidence
已知输入和输出，如何设计中间的卷积层？
2. Loss function
yolo-v4经典物体检测算法介绍
在前文我们介绍了YOLO-V1~V3版本都做了哪些事，本文我们继续介绍YOLO-V4版本。YOLO的作者在发表完V3之后，发现YOLO产品被美国军方应用到了很多军事战争当中，这是他所不希望看见的，因此宣布不再继续研究。但历... 查看详情
paper-list
1.yolo-v1,yolo-v2,yolo-v32.ssd,focalloss,dssd3.fast-rcnn,faster-rcnn,r-fcn,Light-HeadR-CNN,R-FCN-3000at30fps,mask-rcnn4.fpn,pavnet,5.resenet,densenet有一篇总结各种目标检测算法的文章基础网络方面的改进版本: 查看详情
目标检测yolo系列——yolov1
...er，Faster，StrongerYOLOv3:YOLOv3:AnIncrementalImprovement近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于RegionProposal的R-CNN系算法（R-CNN，FastR-CNN,FasterR-CNN），它们是two-stage的，需要先使用启发式方法... 查看详情
浅析yolo,yolo-v2和yolo-v3
参考技术A经典的目标检测网络RCNN系列分为两步，目标proposal和目标分类。而Faster-RCNN中把目标proposal和目标分类作为一个网络的两个分支分别输出，大大缩短了计算时间。而Yolo系列则把这两个分支都省了，只用一个网络同时输出... 查看详情
目标检测雷达目标cfar检测算法
目录一、概述1、基本概念2、基础知识二、CFAR检测算法1、基本原理2、几种典型的CFAR检测算法（1）CA(CellAveraging)-CFAR检测算法（2）GO-CFAR、SO-CFAR检测算法（3）OS-CFAR检测算法三、不同CFAR检测算法性能对比1、... 查看详情
目标检测雷达目标cfar检测算法(代码片段)
目录一、概述1、基本概念2、基础知识二、CFAR检测算法1、基本原理2、几种典型的CFAR检测算法（1）CA(CellAveraging)-CFAR检测算法（2）GO-CFAR、SO-CFAR检测算法（3）OS-CFAR检测算法(4)补充说明三、不同CFAR检测算法... 查看详情
yolo算法(youonlylookonce)系列讲解与实现（待完善）
...实现总结前言一、指标分析1.mAP(meanAveragePrecision)综合衡量检测效果，各类别Precision-Recall曲线下面积的平均值。精度为：Precision=TPTP+FPPrecision=\\fracTPTP+FPPrecision=TP+FPTP召回率为：Recall=TPTP+FNRecall&... 查看详情
计算机视觉算法——目标检测网络总结
计算机视觉算法——目标检测网络总结计算机视觉算法——目标检测网络总结1.RCNN系列1.1RCNN1.1.1关键知识点——网络结构及特点1.1.2关键知识点——RCNN存在的问题1.1.3关键知识点——非极大值抑制算法（NMS）1.2FastRCNN1.2.1... 查看详情
深度学习之目标检测常用算法原理+实践精讲
课程介绍:本课程从整个目标检测技术发展的历程开始，从算法角度出发，对各个模型进行全面细致的讲解，并结合人脸检测、物体检测、行人车辆检测、文本检测等项目，熟悉算法工程师在工作中会接触到的数据打包、网络训... 查看详情
深度学习之目标检测常用算法原理+实践精讲
...家从整体上了解本门课程的整体脉络。1-1课程导学第2章目标检测算法基础介绍本章节主要介绍目标检测算法的基本概念、传统的目标检测算法、目前深度学习目标检测主流方法（one-stage、two-stage、多任务网络）、相关算法的基... 查看详情
目标检测算法改进-sppnet（详解）(代码片段)
目标检测算法之改进-SPPNet学习目标1.SPPNet1.1映射1.2spatialpyramidpooling2.SPPNet总结3.总结4.问题学习目标目标说明SPPNet的特点说明SPP层的作用【目标检测算法】R-CNN（详解）R-CNN的速度慢在哪？每个候选区域都进行了卷积操... 查看详情
目标检测yolo系列—yolo_v4学习记录
目录前言目标检测模型调优的两种手段一、YOLO-v4的主要工作yolov4网络结构二、yolo_v4改进创新之处：2.1输入端创新1）Mosaic数据增强2.2BackBone创新1）CSPDarknet532）Mish激活函数 3）Dropblock2.3Neck结构中的创新1）SP... 查看详情
深度学习之目标检测常用算法原理+实践精讲yolo/fasterrcnn/ssd/文本检测/多任务网络
深度学习之目标检测常用算法原理+实践精讲YOLO/FasterRCNN/SSD/文本检测/多任务网络资源获取链接：点击这里第1章课程介绍本章节主要介绍课程的主要内容、核心知识点、课程涉及到的应用案例、深度学习算法设计通用流程、适应... 查看详情
目标检测雷达目标cfar检测算法(代码片段)
...收机输出的包络超过了某一设置门限，就认为出现了目标。雷达在探测时会受到噪声、杂波和干扰的影响，因而采用固定门限进行目标检测时会产生一定的虚警，特别是当杂波背景起伏变化时虚警率会急剧上升，... 查看详情
目标检测任务描述
目标检测任务描述学习目标1.目标检测算法分类2.目标检测的任务2.1分类原理回顾2.2检测的任务3.1目标定位的简单实现思路3.1回归位置4.两种Boundingbox名称学习目标目标了解目标检测算法分类知道目标检测的常见指标IoU了解目标定... 查看详情
目标检测算法ssd(singleshotmultiboxdetector)(代码片段)
SSD：SingleShotMultiBoxDetector学习目标1.SSD1.1简介1.2结构1.3流程1.4Detector&classifier1.4.1PriorBox层-defaultboxes1.4.2localization与confidence2.训练与测试流程2.1train流程2.2test流程3.比较4.总结学习目标目标知道SSD的结构说明Detect 查看详情
目标检测—nms
...步骤 非极大值抑制算法（Non-maximumsuppression，NMS）在目标检测中经常用到。我们的检测算法可能对同一目标产生多次检测的结果，非极大值抑制算法可以保证每个目标只检测一次,找到检测效果最好的框。（1）去除所有预测框... 查看详情
计算机视觉算法——基于anchorfree的目标检测网络总结
计算机视觉算法——基于AnchorFree的目标检测网络总结计算机视觉算法——基于AnchorFree的目标检测网络总结1.CornerNet1.1关键知识点——网络结构及特点1.2关键知识点——正负样本匹配1.3关键知识点——损失计算2.CenterNet2.1关键知识... 查看详情