yolov1筆記
faster-rcnn筆記
❔還存在什麼問題？
yolov1檢測精度低於當時的先進網路演算法
yolov1容易產生物體定位錯誤
yolov1對小目標的檢測效果不好（每網格只能**兩個物體）
✨**概述
?1.abstract
乙個單一的神經網路在一次檢測中直接從完整的影象**邊界框和類別概率（單一的檢測網路可以實現端到端的優化）。yolov1在檢測過程中相較於其他優秀的演算法對比，會產生更多的定位錯誤但是更少的誤檢背景資訊。
端到端：端到端學習是一種解決問題的思路，與之對應的是多步驟解決問題，也就是將乙個問題拆分為多個步驟分步解決，而端到端是由輸入端的資料直接得到輸出端的結果。（簡而言之就是不要預處理和特徵提取，直接把原始資料扔進去得到最終結果）
?2.introduction
將物件檢測重新定義為乙個單一的回歸問題，直接從影象畫素到邊框座標和類概率，只需要對影象檢測一次就能實現定位與識別。yolo在訓練和測試時都能夠看到一整張影象的資訊，因此yolo在檢測物時能很好的利用上下文資訊，從而不容易在背景上**出錯誤的物體資訊。
但是存在一些缺點：
yolov1檢測精度低於當時的先進網路演算法
yolov1容易產生物體定位錯誤
yolov1對小目標的檢測效果不好（每網格只能**兩個物體）
?3.unified detection
3.1 network design
網路設計源於google網路模型，包含24個卷積層，2個全連線層，但而外使用了乙個 1 * 1的簡化層。
3.2 training
訓練細節：
網路結構中：前20個卷積層 + 平均池化層 + 全連線層 進行一周的訓練
由於檢測需要視覺細粒度資訊：輸入有224 *224 變為 448 * 448
使用影象的高與寬規格化邊框的寬高：讓邊框的計算大小在0~1之間。
最後一層所用啟用函式：
增加邊框座標**損失：λcoord=5， λnoobj= 0.5
**邊框高度與寬度的平分根：大的邊界框中小偏差比小邊界框中的小偏差影響小
損失函式：
附錄
目標檢測之YOLOv1
you only look once unified,real time object detection yolo 一體化的，實時的物體檢測 翻譯 詳解 1 2 1 yolov1框架 步驟 1 resize成448 448，分割得到7 7網格 cell 2 cnn提取特徵和 卷積層負責提取特徵。全...
Caffe（10） 實現YOLOv1目標檢測
yolov1核心思想 從r cnn到fast r cnn一直採用的思路是proposal 分類 proposal提供位置資訊。分類提供類別資訊 精度高，但速度不行。yolov1更為直接一點，直接在輸出層回歸bounding box的位置和其所屬類別，整張圖作為網路的輸入，把object detect...
YOLO v1整體檢測框架
yolo演算法採用乙個單獨的cnn模型實現end to end的目標檢測,整個系統如圖所示 首先將輸入resize到448x448,然後送入cnn網路，最後處理網路 結果得到檢測的目標。相比r cnn演算法,其是乙個統一的框架,其速度更快。具體如下 將輸入影象按照模型的輸出網格 比如7x7大小 進行...