图像处理算法实战应用案例精讲-【目标检测】YOLO（补充篇）

前言

本文为图像处理算法实战应用案例精讲-【目标检测】YOLO的补充篇。关于上一篇博文涉及的tensorflow参见图像处理算法实战应用案例精讲-目标检测权重文件YOLO-small。

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Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这可以在图2中看到。本文介绍的是Yolo算法，其全称是You Only Look Once: Unified, Real-Time Obj