yolo2目标检测 object detection从原理到实践
本文主要介绍经典的目标检测算法yolo2的原理以及对应实现，实现地址见github：https://github.com/mjDelta/yolo2-keras。觉得实现效果不错的同学，欢迎star，fork，follow。
原理部分
笔者觉得要理解yolo2的原理，最主要理解anchor box的概念以及作用，所以整篇博文重点讲解anchor box。
anchor box
首先，anchor box 是什么？anchor box是作者提前对训练集进行聚类得到的五个bounding box 。通过实验，作者发现k=5时，能够在模型复杂度和准确率之间达到一个tradeoff。
其次，anchor box的作用是什么？作者设计的darknet，输入图像大小为416*416，最终的feature map输出大小为13*13。yolo2完成了在feature map上的每个点上都预测了5个anchor box，每个预测出来的box都有中心点的（x,y）坐标以及w,h,confidence,物体类别概率，并以实际的bounding box与anchor box的iou值来决定置信度。因此，最终的feature map会输出13*13*5=845个预测的box，再从中根据iou值选择最优的box作为输出。
- x：预测中心点的横坐标
- y：预测中心点的纵坐标
- w：box的宽
- h：box的高
- confidence：根据与实际box的iou值计算
- class probability：物体概率
注意上述的预测值都是feature map的输出，因此不可避免的需要转换。
代码实践部分
笔者用keras实践了yolo2用于红细胞检测上，发现效果还不错。实现的代码请移步：https://github.com/mjDelta/yolo2-keras。若觉得有帮助，请给出您宝贵的star！
