[Pytorch]YOLO目标检测

目录

一、经典算法与阶段（Stage）

二、真实框（Ground Truth）、预测框（Prediction）与交并比（IoU）

三、精确率（Precision）与召回率（Recall）

四、置信度阈值（Confidence Threshold）

五、AP（Average Precision）、mAP（Mean Average Precision）、所有点插值法（Interpolation Performed in all Points）与AUC（Area Under Curve）

六、YOLO V1

Reference Paper

---

一、经典算法与阶段（Stage）

Two-stage（两阶段）：Faster R-CNN Mask R-CNN

特点：速度相对较慢，效果好，不适合实时检测

One-stage（单阶段）：YOLO

特点：速度快，效果相对较差，适合实时检测

---

二、真实框（Ground Truth）、预测框（Prediction）与交并比（IoU）

---

三、精确率（Precision）与召回率（Recall）

举例：在通用技术的尺寸标注中，既要保证精度（不要错标，多标），又要保证召回率（不要漏标）

---

四、置信度阈值（Confidence Threshold）

IoU＞置信度阈值，则标记为正样本；反之，则标记为负样本

置信度越高，召回率越低，精确率越高；置信度越低，召回率越高，精确率越低

---

五、AP（Average Precision）、mAP（Mean Average Precision）、所有点插值法（Interpolation Performed in all Points）与AUC（Area Under Curve）

调整置信度阈值，画出所有点插值法的P-R图（含红色虚线），如左下图

AP计算方式：AUC，

如右上图，

---

六、YOLO V1

网络架构

输入图像448x448x3：C3，H448，W448

输出数据7x7x30（5x2（2为每个网格单元含有的边界框数量）+20）：GridX（1~7），GridY（1~7），（x1（0~1），y1（0~1），w1，h1，Confidence1，x2（0~1），y2（0~1），w2，h2，Confidence2，p（1），p（2），···，p（n=20）（n为数据集分类数量））

输出数据量计算公式（SxS：网格单元数量，B：每个网格单元含有的边界框数量，5：归一化后的每个网格单元内的边界框横、纵坐标+边界框宽度、高度+边界框置信度，C：数据集分类数量）：

损失函数

位置误差

置信度误差

---

Reference Paper：You Only Look Once: Unified, Real-Time Object Detection