YOLO系列

深度学习经典检测方法

two-stage（两阶段）：Faster-rcnn\Mask-Rcnn系列（两阶段即多了一步预选操作）

one-stage（单阶段）：YOLO系列（直接处理，不需要对数据进行预选）

one-stage:

最核心的优势：速度非常快，适合做实时监测任务！

但是缺点也是有的，效果通常情况下不会太好！（速度越快效果越差，二者相互有些矛盾）

mAP：效果好坏

FPS：速度快慢

two-stage:

速度通常较慢（5FPS），但是效果是不错的！

 YOLO

指标分析

map指标：综合衡量检测效果；

        单看精度和recall（召回率）是很难看出算法的好坏的，因为二者之间是矛盾的，一方高，另一方就低。

IOU（Intersection over Union）：交集和并集的一个比值（越重叠越好）

recall：图像中所有存在的物体都检测到了吗

        Recall=                 TP：T（TRUE），正确的判断为正确的positive

        Precision=            FP：F（FALSE），错误的判断为正确的positive

                                                  TN：T(TRUE)，正确的判断为了负类

                                                  FN：F(FALSE)，错误的判断为了负类

例：  MAP：不同的置信度（阈值）下得出的P,R值，画图取最大值求面积

YOLO-V1

名称：You Only Look Once

把检测问题转换为回归问题，一个CNN就搞定了！

对视频进行实时检测，应用领域非常广！

核心思想

简单概述：输入一张图像，对图像中的所有点都产生两个候选框，选一个候选框进行微调，但是并不是对所有点的候选框都进行选取，而是对候选框中确实存在着一个物体才进行选取，那嘛判断候选框中是否存在物体就依据置信度（或者是阈值）来判断，确定了确实有物体的点后，再进行对两种候选框的筛选，筛选的方法就是算IOU，选取IOU高的候选框进行微调便确定出来了；（回归问题）

网络架构