YOLO系列

YOLO V1

1）将一幅图像分成sxs个网格(grid cell),如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
2）每个网格要预测2个bounding box（同类），每个bounding box 除了要预测位置之外，还要附带预测一个confidence（iou）值。 每个网格还要预测C个类别的分数。

损失函数

网格中的每个子网格对应两个bounding box，选择IOU较大的那个bounding box认为其存在目标。
第2行宽度和高度先取了平方根，因为如果直接取差值的话，大的对象对差值的敏感度较低，小的对象对差值的敏感度较高，所以取平方根可以降低这种敏感度的差异，使得较大的对象和较小的对象在尺寸误差上有相似的权重。

优势： 与二阶段检测算法相比，利用直接回归的方式，大大缩小了计算量，提升了运行速度。
不足： 每一个网格仅2个预测框，当存在多物体密集挨着的时候或者小目标的时候，检测效果不好。
小对象检测效果不太好（尤其是一些聚集在一起的小对象），对边框的预测准确度不是很高，总体预测精度略低于Fast RCNN。主要是因为网格设置比较稀疏，而且每个网格只预测两个边框，另外Pooling层会丢失一些细节信息，对定位存在影响。
问题来源是定位不准

YOLOV2 （YOLO9000）

1. 每个卷积层后加入BN，提高了网络训练的速度，加快了收敛，消除了对其他正则化的依赖，且正则化效果更好，使调参更简单，即使去掉Dropout层也不会产生过拟合。
2. 更高分辨率的分类器 448*448输入
3. 基于anchor目标边界框的预测，召回大幅提升
4. k-means聚类生成预设的anchor（defult bbox，每个特征向量对应5个anchor），距离使用1-IOU
5. 限制bbox中心坐标的偏移量t，通过sigmoid函数映射到（0，1），使边界框限制在grid里，网络更容易收敛。其中中心坐标初始定义在grid的左上角坐标。
6. passthrough layer类似于focus w/2，h/2，c*4
7. 多尺度训练，在训练过程中每经过10个epoch之后就会随机选择新的图片尺寸。
8. 全卷积结构。去掉全连接层，转为卷积层。去掉一个池化层，提高输出的分辨率。

YOLOV3

backbone使用Darknet-53，卷积替代最大池化下采样
对于一个输入图像，YOLO3将其映射到3个尺度的输出张量，代表图像各个位置存在各种对象的概率。
Anchor的生成： 在COCO数据集上，生成9个聚类。特征图越大，感受野越小。对小目标越敏感，所以选用小的anchor box。特征图越小，感受野越大。对大目标越敏感，所以选用大的anchor box。

参考视频https://www.bilibili.com/video/BV1yi4y1g7ro?spm_id_from=333.999.0.0&vd_source=e879958901a6e75113babaef03e8179b
https://zhuanlan.zhihu.com/p/550633282