yolo系列自学到实战

yolo系列自学到实战

提示：自己学习的一些记录

---

---

一、检测任务的阶段

one-stage算法：yolo系列

特点：
1.速度快，实时检测
2.效果不太好
two-stage算法：fast-rcnn， mask-rcnn
特点：
1.效果还行
2.速度不太行（5FPS）

二、指标

2.1IoU

简单来说就是交集 / 并集。

2.2精度和召回率

2.3map

综合计算精度和召回率后，画出如图曲线，map就是红色虚线围起来的面积。

三、YOLOv1

3.1优缺点

优点：网络简单有效，速度快。
缺点：
1.每个cell只预测一个类别。
2.小物体检测一般，候选框就两种检测单一。

3.2解析

重点其实就在这块，前面大半截都可以看作cnn特征提取，7 * 7表示一个图片被分成7 * 7个网格，每个网格有30维特征。
接下来重点讲一下特征，因为每个格子有两个候选框（xyhw），每个框有一个置信度c，假设当前数据集有20个类别，特征维度后20全是表示标签分布（就是类别概率）。

位置误差里面的第二项有个根号代表：小物体的长宽比较短，根号后$$(x{)}^{(1/2)}$$在x越小的时候梯度大，x越大的时候梯度小，使得小物体候选框长宽的变化比较精准。