Yolo目标检测
一、 YoloV1
YOLOv1采用的是“分而治之”的策略，将一张图像平均分成7×7个网格， 每个网格分别负责预测中心点落在该网格内的目标。通过划分得到了7×7个网格，这49个网格就相当于是目标的感兴趣区域。
对于每一个网格（grid），都会预测出B个边界框，每个边界框有5个量，分别是物体的中心位置（x，y）和它的高（h）和宽（w），以及这个边界框包含目标的概率。还要预测该边界框的目标属于那个类别
如下图，假设对每个网格都预测2个边界框
我们对红色的网格进行预测
通过这两个边界框预测出物体的概率，用边界框线的粗细来代表，得出 粗的边界框内包含物体的概率比较高
为每一个网格进行边界框预测，最终我们得到图像如下
为每一个网格预测类别概率，预测每一个网格属于类别的概率：
将边界框和类别预测结合起来
设置一个阈值(筛选目标概率低的边界框)，通过NonMaxSuppression进行筛选，清理掉不好的边框。
NonMaxSuppression：
非极大值抑制。
当同一个类别中有很多边界框，且边界框之间重叠的区域很大，那就会认为在检测同一个物体。这时候就会选择包含目标概率最高的边界框，其余的边界框就会进行清理。
二、 YoloV1网络结构
YOLOv1的网路结构非常明晰，是一种传统的one-stage的卷积神经网络
网络输入：448×448×3的彩色图片。
中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
网络输出：因为我们对每个网格都预测2个边界框，所以有7×7×30的预测结果。刚好对应我们之前7x7的网格，相当于对我们的每个网格进行预测。
YoLo预测层：
每个网格预测2个边界框，每个边界框会预测输出5个值，分别是包含目标的概率，物体的中心坐标X,Y，物体的高度和宽度。在对每个网格进行类别预测，这里我们有20个类别，所以每个网格会进行类别预测20次。所以维度是(5*2)(2个边界框输出的值)+20(类别预测)
预测类别：
表达式含义：等式左边第一项就是每个网格预测的类别信息，第二三项就是每个边界框的包含物体的概率。取出每个网格对应的边界框含物体的概率，与预测的类型进行乘积，这样既预测了边框属于那个一个类别，也计算了边框的物体概率。
虽然每个格子可以预测B个bounding box，但是最终只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。
三、 YoloV1的损失函数
四、 Yolo的缺点
五、 YoloV2
YoloV2与Yolo的区别：
改进如下：
(1) Dimension Clusters:
之前Anchor Box的尺寸是手动选择的，所以尺寸还有优化的余地。YOLOv2尝试统计出更符合样本中对象尺寸的先验框，这样就可以减少网络微调先验框到实际位置的难度。YOLOv2的做法是对训练集中标注的边框进行K-means聚类分析，以寻找尽可能匹配样本的边框尺寸
(2) Fine-Grained Features:
提高预测精度。
让图像上较大的尺寸的特征图与最终的输出进行融合，保留特征图更细节的信息，这样能预测检测出一些比较小的对象。
(3) Multi-Scale Training
(4) Batch Normalization
六、 Yolo3
Yolo3对于Yolo2的改进
加入了ResNet(残差层)，使得网络能更深，能预测更小的物体
网络结构如下：
