算法发展史
近几年来，目标检测的算法取得了很大突破。比较流行的算法可以分为 2 类：
一类是基于 Region Proposal 的 R-CNN 系列算法，属于 two-stage 算法，也就是流水线算法，先使用启发式方法(Selective Search)或者 CNN 网络(RPN) 产生 Region Proposal，然后在对 Region Proposal 进行分类和回归；
另一类是 Yolo、SSD 算法，属于 one-stage 算法，也就是端到端算法，使用一个 CNN 网络直接预测类别和位置；
第一类算法速度慢，准确度高，第二类算法速度快，准确度低
Yolo 系列算法分为 Yolo v1、v2、v3，Yolo v1 是 Yolo 和 SSD 的基础，本文会花大量篇幅讲述 Yolo v1，其余算法从简；
Yolo v1 算法性能低于 SSD，后面的 v2 和 v3 是对 v1 的改进；
Yolo 全称 You Only Look Once：Unified ，Real-Time Object Detection；
You Only Look Once 意思就是只看一眼就知道，算法很简单，只需要一次 CNN 运算，Unified 是指一个统一的框架，即 end-to-end，Real-Time 即实时检测，速度快；
滑动窗口
滑动窗口是最原始的目标检测算法，它的思想有助于理解 Yolo。
滑动窗口把检测问题转换成了图像分类问题，基本原理是采用多个不同大小和比例(宽高比)的窗口在整张图片上以一定步长进行滑动，然后对窗口进行图像分类，这样就实现了对整张图片的检测；
这样做的缺点是显而易见的：
1. 无法确定合适的窗口尺寸和步长
2. 产生大量窗口，计算量很大，这样分类器就不能太复杂，因为要保证速度
优化方法之一就是减少窗口，R-CNN 就是这种思路，采用 Selective Search 找到最有可能包含目标的子区域，提升效率；
设计理念
Yolo 其实是进一步减少了 窗口，并且把 分类和检测 结合起来，用一个网络实现
1. 图像被分割成 S x S 个网格，论文中 S=7；每个网格称为 grid cell 或者 cell；
2. 每个 cell 负责预测 object 中心点落在该 cell 内的 object；如上图，虽然很多 cell 都有狗，但是狗的中心只落在了一个 cell，那么只有该 cell 负责预测狗；
3. 每个 cell 生成 B 个 bounding box，简称 bbox，论文中 B=2； 【思考：如何生成 bbox？后续解答】
每个 bbox 需要计算它的 置信度 confidence，选择 confidence 高的 bbox 作为 object 的预测框，即 负责预测的 bbox；
confidence
置信度 confidence 包括两个方面，一是 bbox 含有目标的可能性，记为 Pr(object)，当该 cell 包含 object 中心时，Pr(object)=1，否则Pr(object)=0，
bbox 含有目标表示只有包含目标就行，不管是哪个目标；
另一个是 bbox 的准确度，记为 IOUpred thuth ，它表示 bbox 和 ground truth 的 IOU； 【IOU概念不再赘述】
图像中有多个object，每个object有 类别和边框，边框称为 ground truth，代表实际的边框，如上图的红色框；
confidence = 
bounding box
bbox 的大小和位置用 4 个值表示 (x,y,w,h) ，(x,y) 代表 bbox 的中心，(w,h) 代表 bbox 的宽和高，
注意，(x,y) 是相对于 cell 左上角坐标的偏移量，并且用 cell 大小做归一化；(w,h) 是相对于整个图片的宽和高的比例；这样 (x,y,w,h) 的大小都在 [0,1] 内
如下图
4. 每个 bbox 的预测值包括 5 个元素，(x,y,w,h,c)，c 为置信度；
5. 对于分类问题，每个 cell 需要给出 C 个类别的概率值，论文中 C=20，即共20个类别；
注意，它代表该 cell 中有 object 中心点的条件概率，即 Pr(classi|object)；
Pr(classi|object)
他与 bbox 无关，只与 cell 中是否存在 object 中心点有关；
如果 cell 中不存在 object 中心点，那么无需概率；
如果 cell 中有多个 object 的中心点呢？只输出一个 object 的 概率，这是 Yolo v1 的缺点，无法处理 object 密集的目标检测，后面的版本有所改进；
同时我们可以计算边界框类别置信度
================ 扩展 ================
一张图片最多预测 SxS 个目标
一张图片生成 SxSxB 个 bbox，远远少于 R-CNN
总结
每个图像分为 S x S 个 cell，每个 cell 需要预测 (B*5+C) 个值，最终预测值为 SxSx(B*5+C) 大小的张量
SxSx(B*5+C)
(B*5+C)
前面 20 个为概率值，中间是 2 个边界框置信度，二者相乘可得到 边界框类别置信度，
后接 8 个 位置元素；
这样排布只是为了方便计算，便于批量提取元素，假设网络输出为 [batch，7x7x30]，那么 [：，0：7x7x20] 即为类别概率值，[：，7x7x20：7x7x22] 为边界框置信度，[：，7x7x22：] 位边界框位置
网络设计
Yolo 将目标检测当做回归问题来处理，并且用一个 CNN 网络实现的回归算法；
Yolo 采用卷积提取特征，然后使用全连接得到预测；
网络结构参考 GoogleNet，包括 24 个卷积层和 2 个全连接层；
卷积和全连接的激活函数为 Leaky_Relu，但最后一层采用 线性激活函数
网络主要使用小卷积，1x1,3x3
网络最后的 7x7x30 的张量是为了方便理解，实际网络中是全连接层，7x7x30=1470 个神经元
要注意的是，并不是说仅仅网格内的信息被映射到一个30维向量。经过神经网络对输入图像信息的提取和变换，网格周边的信息也会被识别和整理，最后编码到那个30维向量中。
损失函数
损失函数的设计是 Yolo 算法的核心，公式如下
类别与 bbox 无关，只要 cell 存在 object，无论 bbox 什么样，类别都一样
================ 扩展 ================
bbox 如何生成
在 R-CNN 系列中，网络总是采用各种手段去生成 bbox，而且生成策略非常明确，在 Yolo 中也说要生成 bbox，如何生成却只字未提，很是费解；
首先我一句话回答这个问题，回归出来的，即 wx+b 算出来的，即通过网络算出来的，
实际上在整个算法过程中，并没有像 R-CNN 那样生成 bbox，或者说根本没有 bbox，只是虚构的，bbox 只存在于逻辑上，
在输出层强行虚构出 B 个 bbox，通过 卷积-全连接 权重算出来的，当权重初始化时，bbox 就是瞎猜，最终通过回归算法调整参数得到正确的 bbox；
在 loss 中遍历虚构出的 bbox，计算相关损失
代表什么
i 表示第 i 个 cell，j 表示第 j 个 bbox，obj 表示存在目标，即目标的中心点在 cell 中，
就表示第 i 个 cell 存在目标；
就表示 第 i 个 cell 存在目标，且 它的第 j 个 bbox 负责预测位置；
就表示第 i 个 cell 的 第 j 个 bbox 不存在目标；
有目标为 1， 无目标为 0，
以上图为例 ，在所有 cell 中，只有 3 个粉红色的 cell 存在 object，ΣΣ只有 3 项参与计算，其余全为 0，
ΣΣ 也只有 3 个 cell 参与计算，以自行车对应的 cell 为例，横着的红框 iou 明显大，它就是那个 j，只有这个 bbox 参与计算；
为什么 x y 没有 开方，而 w h 却开方
二者都是以 mes 来计算误差，w h 的特点在于，object 可能有大有小，不同大小的 object 的 bbox w h 尺度就不同，如果一个 object 很小，bbox 稍微大一点小一点，就会显得误差很大，开方就是为了让 w h 变大，因为 w h 都是 归一化的，开方会变大；
0.1 开方为 0.3；0.2 开方为 0.4；0.3 开方为 0.54
C 的真实值如何取，为什么没有目标有需要 C
如果 cell 中不存在目标，Pr(object)=0，C=0；
noobj 项的 C 为 0，但是在训练阶段 所有的 cell 可都是有 bbox 的，我们的目标就是让他的 bbox 尽量小；
如果 cell 中存在目标，Pr(object)=1， IOU=1，C=1，此时是希望预测到最好的的 bbox，当然我们可以设置的稍微小一点，表示预测框差不多就行了；
lambda 如何取值
= 5，它代表 坐标误差的权重，之所以它的权重大于 置信度和类别，我的理解是 框对了是前提，框对了才可能正确分类，框错了啥都没了；
，它代表 不存在目标的 bbox，之所以 它的权重小于 存在目标的 bbox【1】，是因为大部分 bbox 是不存在目标的，也就是负样本远远多于正样本，类别不均衡，需要降低负样本的权重；
靠一个 CNN 真的能预测新目标吗
在训练集上通过 回归 得到 bbox 或许还能理解，但是它真的能泛化到测试集吗？这是一个很感性的问题，其实 Yolo 是一个学习如何画框并把物体框出来的网络，想想人类是如何做的，先看看图像上的实际物体，对应 卷积 的特征提取识别物体，然后开始画框，对应全连接得到边框
模型训练
作者训练的一些细节如下：
1. 预训练：利用 ImageNet 1000 的分类任务预训练卷积层，使用该网络前 20 个卷积层，加上一个 avg_pooling 层，加上一个全连接，对网络进行预训练
卷积层越靠前提取的特征越细，如图像纹理、边缘，越靠后提取的特征越全面，如狗尾巴等，故我们需要的是前面的卷积层参数
2. 将预训练的参数应用到 Yolo 中，并接上 4 个卷积和 2 个全连接；【论文中是这么做的，也可自行设定】
3. 将输入图像的尺寸 resize 到 448 x 448
4. 所有的预测结果都归一化到 [0,1]
5. 使用 Leaky Rule 作为激活函数，只有最后的全连接采用 线性激活函数，因为最后输出有 坐标，为数值型
6. 在第一个全连接后面接了一个 ratio = 0.5 的 Dropout 层
7. 学习率：
模型预测
请注意，在预测时我们可没有什么 ground truth，我们只是得到了一个 SxSx(5*B+C) 的张量，它可能对同一目标有多个预测框，如下图
我们需要通过 非极大值抑制 选择最佳 bbox 【非极大值抑制不再赘述】
模型效果
Yolo v1 优缺点
优点
1. 最大的优点就是快
2. one-stage，end-to-end
3. 同时预测多个 物体和 bbox
4. 直接选用整图训练模型，更好的区分目标和背景
缺点
1. 密集物体检测效果不好，或者说 一个 cell 只能预测一个 目标
2. 小物体检测效果不好
3. 检测精度低于 R-CNN
4. 输入尺寸需固定
参考资料：
https://zhuanlan.zhihu.com/p/32525231