yolo-目标检测算法简介

一 简单概念

机器视觉的四大任务

分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标.

检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。

定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。

分割-Segmentation：，解决“每一个像素属于哪个目标物或场景”的问题。

目标检测

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。

检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。

yolo是一种卷积神经网络结构，yolo(意思是神经网络只需要看一次图片，就能输出结果)，通过给出的物体坐标获取目标的特征信息，然后将信息存储、学习，在目标图像上找到符合的特征信息，确定目标位置。

1）目的是从一张图片中可以识别出多个不同种类的物体

2）并且用一个框将每个物体框出来并得到坐标，也可以要得到物体的尺寸，包含5个信息：物体的中心位置（x，y），物体的长和宽（h，w），以及物体的种类置信度分数(score)

yolo-应用场景

yolo系列是目标领域知名度最高的算法，其凭借出色的实时检测性能在不同的领域均有广泛应用。目前，yolo共有6个版本，yolo v1-v5和yolo vx。

yolo的预测是基于整个图片的，并且它会一次性输出所有检测到的目标信息，包括类别和位置。就好像捕鱼，yolo会将整张网撒下去，将所有的鱼都捞起来。

1） 医疗领域，胃镜息肉检测、药品表面缺陷检测、CT医疗图像检测

2） 安防领域，是否佩戴安全帽检测、行人检测、人员识别、明火检测

3） 交通领域，车辆检测、交通标志识别、交通信号灯检测，交通状况监控

4） 农业领域，病虫害检测、成熟度检测、生育期识别

yolo-简单网络结构
输入端：
Mosaic数据增强（随机裁剪拼接）
自适应锚框计算（反复更新标注框和预测框的差值）
自适应图片缩放（统一模型训练的图像宽高）

Backbone（主干网络）：
Focus结构（将图像切片、卷积得到需要的特征图）
CSP结构（采样、特征获取和组合）用于提高准确率

Neck（特征层）：

输出端：
Bounding box损失函数（计算交并比）
nms非极大值抑制（解决遮挡问题）

二 模型训练

三 训练注意事项

1、数据准备阶段
数据的多种多样（不重复）
图像清晰
目标准确（图像中有目标）并且目标不宜过大或者过小

2、数据标注阶段
标注框刚好框住目标
标注信息准确（标注信息一般用英文和数字）
选取的信息简单明了（特征单一）

3、模型训练阶段
标准信息、格式和训练输入是否一致（不一致进行转化）
训练的轮数输入大小（影响到最终结果和时间）
超参数的设置

4、模型测试阶段
正负样本检测
测试数据的多样和量多

训练常用超参数

*超参数 *：

1. 定义关于模型的更高层次的概念，如复杂性或学习能力。
2. 不能直接从标准模型培训过程中的数据中学习，需要预先定义。
3. 可以通过设置不同的值，训练不同的模型和选择更好的测试值来决定

常用超参数：

1.学习率：是指在优化算法中更新网络权重的幅度大小，也叫做步长
2.权重初始化：第一种是采用均匀分布的方法初始化各层网络的权重,自己从头开始训练网络模型.
第二种是采用该模型之前已经训练好的权重作为训练的初始值
3.优化器：通过什么算法去优化网络模型的参数，常用的优化器就是梯度下降
4.批次大小：每一次训练神经网络送入模型的样本数，在卷积神经网络中，大批次通常可使网络更快收敛，
但由于内存资源的限制，批次过大可能会导致内存不够用或程序内核崩溃
5.迭代次数：指整个训练集输入到神经网络进行训练的次数
6.激活函数：激活函数是给神经网络加入一些非线性因素，使得网络可以更好地解决较为复杂的问题。
类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容