目標分類一學就會，目標檢測一學就廢
目標檢測你感覺就是目標和**不是對應的，實際上並不是這樣的，
如果讓它
一、一對應了，可不可以，就像上圖那樣，
答案是不可以的，因為目標檢測不止有乙個目標，乙個目標的時候可以，如果是多個目標呢？
那就有很多個(x,y,w,h,class),僅僅五個數是不夠的
如何改進呢？
直接輸出多個框，直接來全卷積，比如輸出20個框，如果有1個目標，那其餘19個都是0就可以了
比如下面輸出5個通道的2×2特徵圖，那比如只有乙個目標，
這就是yolo系列的基本思想
最根本的就是利用全連線層把各個需要的值放到對應d 通道上，加上下面yolov1的講解，多看幾遍很好理解。
輸入就是一張
輸出是什麼呢？乙個個框，那這個框怎麼用數字表示呢？這些數字就可以組成乙個向量。
框的表示最少有下面4種：
（1）x,y,w,h，左上角座標+寬+高
（2）cx,cy,w,h, 中心點座標+寬+高
（3）p1（x,y），p2（x,y），p3（x,y），p4（x,y），4個角的座標8個數
（4）cx,cy,d1,d2,d3,d4,中心點座標+距4個邊的距離
使用不同大小尺寸的視窗從左到右依次截取出做分類：
和目錄1中的描述一樣了，這樣就解決了傳統方法的問題
但是乙個只能輸出1個結果，那如果有多個目標呢？
經過一系列，比如有兩個目標，就輸出兩個向量
多輸出進行空間排列，每個畫素負責乙個區域
損失值的第一項是置信度的損失值，範圍0-1，而後面的4項範圍是0-416，所以後面的值太大，就把置信度給淹沒了，需要給置信度的值加個放大的權重，後面4項可以加個小的權重，抑制4項後面的值。
加根號是因為：如果不加根號，公式算出來的值主要受大目標影響，小目標的影響就很小，導致最後出來的結果主要是檢測大目標，小目標的檢測效果很差，用加根號的方法來稍微解決一下，還有其它方法。
下面這個過程必須會，就是根據置信度去除冗餘框，原理就是重合度越高的框越可能檢測的是同乙個目標。
使用nms必須要用置信度，而置信度是根據iou來得到的。
分類、檢測、分割的區別就是最後的輸出不一樣，還有訓練樣本不一樣，前面的主幹網路都一樣。
分類就輸出one hot 類別
檢測就輸出座標值+one hot 類別
分割就輸出乙個通道的特徵圖
檢測的目標想多的話，就增加輸出的寬和高，增加框
檢測的類別想多的話，就增加通道數
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系列v1 v2 v3
人類對於物體只需要看一眼就能知道該物體是什麼，在什麼位置，人類的視覺系統是非常快速而準確的，因此如果能夠加速演算法使得計算機系統也能夠快速而準確的話，就能夠代替人而實現無人駕駛。而目前的一些方法，rcnn系列的都是一套複雜的流程，首先生成一些可能的邊框區域，再對邊框進行分類，之後再修正邊框的位置，然...
目標檢測入門系列手冊五 YOLO訓練教程
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...