由於在r-cnn 的系列演算法中都需要首先獲取大量proposal，但proposal 之間有很大的重疊，會帶來很多重複的工作。yolo[5] 一改基於proposal 的**思路，將輸入劃分成sxs 個小格仔，在每個小格仔中做**，最終將結果合併，如圖2-14 所示。
接下來我們看一下yolo 學習的關鍵步驟：
（1）yolo 對於網路輸入的尺寸有要求，首先需要將縮放到指定尺寸（448x448），再將劃分成sxs 的小格。
（2）每個小格裡面做這幾個**：該小格是否包含物體、包含物體對應的矩形框位置以及該小格對應c 個類別的分數是多少。因此，每個小格需要**的的維度為b x（1+4）+ c，其中b 代表每個小格最多可能交疊物體的個數，1 為該小格是否包含物體的置信度，4 用來**矩形框，c 表示任務中所有可能的類別個數（不包含背景）。因此，yolo 網路最終特徵層的大小為 s x s x（ bx5 + c），圖 2-14 中特徵
層大小即為 7 x 7 x ( 2 x 5 + 20)=7x7x30（pascal voc2012 目標檢測資料集共有20 種類別）。
由於yolo 直接將輸入劃分為sxs 個小格，不需要產生proposal 的過程，所以速度比faster r-cnn 快很多，但是因為粒度較粗，所以精度相比faster r-cnn 略遜一籌。yolo 的主要貢獻是為目標檢測提供了另一種思路，並使實時目標檢測成為可能。近幾年，yolov2 和yolov3 接連推出，感興趣的讀者可以參考附錄的[6]。
目標檢測演算法之YOLO系列
1.演算法解讀 2.原始碼解析 nms演算法包含在 interpret output 這個函式中 v2通過對標籤聚類得到一系列anchor box prior box 相比v1，bounding box的數量大幅增加。v2 的bounding box以這些anchor box為基準，在一定程度上減少...
目標檢測 YOLO演算法
r cnn系列目標檢測方法 r cnn,fast r cnn,faster r cnn 看做目標檢測，都是需要 看兩眼 的。即，第一眼做 region proposals 獲得所有候選目標框，第二眼對所有候選框做 box classifier候選框分類 才能完成目標檢測 事實上 第一眼 是挺費時間的...
目標檢測YOLO實現
注 本文參考 git clone cd darknet make 編譯沒有問題的話輸出資訊如下 mkdir p obj gcc i usr local cuda include wall wfatal errors ofast.gcc i usr local cuda include wall wf...