前言：
✌ 作者简介：CC++Edge淇，大家可以叫我--斯淇。(CSDN优质博主建议加这一条！)
📑 个人主页：CC++Edge淇主页
📫 如果文章知识点有错误的地方，请指正！和大家一起学习，一起进步👀
🔥 如果感觉博主的文章还不错的话，还请不吝👍关注、点赞、收藏三连支持👍一下博主哦
💬 人生格言：这世界形形色色，做好自己才是真!-——从入门到现在不容易~💬
每日推荐书：《opencv基础教程》

一、前言（百度百科）

YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。

016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once（也就是我们常说的YOLO的全称），并将该成果发表在了CVPR 2016上，从而引起了广泛地关注。

YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。

深度学习经典检测方法：

1. TWO-STAGE(两阶段)：Faster-rcnn Mask-Rcnn系列
2. ONE-stage(单阶段)：YOLO系列

ONE-stage：

                     最核心的优势：速度非常快，适合做实时检测任务！

                     但是缺点也是有的，效果通常情况下不会太好！

个人理解：这个算法衡量的（两个指标）1.FPS的速度是快还是慢，2.mAP值的好坏！

TWO-STAGE：

1. 速度通常比较慢（5FPS），但是效果通常还是不错的
2. 非常实用的通用框架MaskRcnn，建议熟悉下！

指标分析

              map指标：综合衡量检测效果；单看精度和recall不太行！ 

关于.YOLO系列指标分析：

TP的意思:true positives (TP正类判定位正类)

FP就是负类判定为正类“存伪”

FN：正类判断为负类“去真”，明明是小狗偏给判断为小猫！

TN：负类判定为负类！

                            检测任务中的精度和召回率分别代表

基于置信度阈值来计算，例如分别计算0.9；0.8；0.7

0.9时：TP+FP = 1，TP = 1 ；FN = 2；Precision=1/1；Recall=1/3；

                                                YOLO-V1

把检测问题转化成回归问题，一个CNN就搞定了！

可以对视频进行实时检测，应用领域非常广！

YOLOv1采用的是“分开使用的”的策略，将一张图片平均分成7×7个网格，每个网格分别负责预测中心点落在该网格内的目标。通过这种方式，我们就不需要再额外设计一个RPN网络，这正是YOLOv1作为单阶段网络的简单快捷之处！

网络架构：

1. 网络输入：448×448×3的彩色图片。
2. 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
3. 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
4. 网络输出：7×7×30的预测结果。
5. YOLO在输入连接里面有一个全连接层，所以说这里必须做一个限制输入数据的大小（必须是448*448*3）
6. 并且需要杂计算机里面设计一个损失函数，在损失函数里面（设置好损失的最小值）

                                              每个数字的含义：

1.10 =(X,Y,H,W,C)*B（2个）

2.当前数据集中有20个类别

3.7*7表示最终网格的大小

4.（S*S）*（B*5+C）  给出最终预测结果等于多少！

损失函数：

损失由三部分组成，分别是：坐标预测损失、置信度预测损失、类别预测损失

定位误差比分类误差更大，所以增加对定位误差的惩罚，使λ c o o r d = 5 λ。

YOLO-V1 （V1 内容介绍一遍）

优点：快速，简单！

问题1：每个Cell只预测一个类别，如果重叠无法解决

问题2：小物体检测效果一般，长宽比可选的但单一

具体说明一点优点：

1. YOLO检测的速度其实非常快，拿标准版的YOLO来说每秒可以处理的图像为40-45秒每张图片！当然极速版的可以处理150帧的图像！！！！这也就是YOLO优于其他的方式！！
2. YOLO的检测能力要比其他的监测系统快两倍！其迁移能力强，能过运用于多种的新的领域！

局限：

1. YOLO对于小的群体的检测效果并不好，如果同时检测两个框，并且属于同一个类可能会出现错误！！
2. 损失函数的问题也同样影响大，定位误差以及检测效果的偏移，和不同之间的角度问题上同样偏弱！

                                        YOLO系列—V2

更快！更强！

YOLO-V2-Batch Normalization   

V2版本舍弃Dropout，卷积后全部加入Batch Normalization（如果不加这个Batch Normalization，则数据似乎不可控制！）

网络的每一层的输入都做了归一化，收敛相对更容易

经过Batch Normalization处理后的网络会提升2%的mAP

从现在的角度来看，Batch Normalization已经成网络必备处理  

网络结构层特点：

YOLO-V2-更大的分辨率

V1训练时用的是224*224，测试时使用448*448 （版本原因：测试时候使用了改进448*448

可能导致模型水土不服，V2训练时额外又进行了10次448*448 的微调

使用高分辨率分类器后，YOLOv2的mAP提升了约4%

 YOLO-V2-网络结构

DarkNet，实际输入为416*416

没有FC层，5次降采样，（13*13）

1*1卷积节省了很多参数

 与第一代半版本相比足足大大了一倍的数据

引入 Anchor Box 机制：

在YOLOv1中，作者设计了端对端的网路，直接对边界框的位置（x, y, w, h）进行预测。这样做虽然简单，但是由于没有类似R-CNN系列的推荐区域，所以网络在前期训练时非常困难，很难收敛。于是，自YOLOv2开始，引入了 Anchors box 机制，希望通过提前筛选得到的具有代表性先验框Anchors，使得网络在训练时更容易收敛。

在 Faster R-CNN 算法中，是通过预测 bounding box 与 ground truth 的位置偏移值 t x , t y t_x

这个公式是无约束的，预测的边界框很容易向任何方向偏移。因此，每个位置预测的边界框可以落在图片任何位置，这会导致模型的不稳定性。

因此 YOLOv2 在此方法上进行了一点改变：预测边界框中心点相对于该网格左上角坐标（ C x , C y ） （C_x, C_y）的相对偏移量，同时为了将bounding box的中心点约束在当前网格中，使用 sigmoid 函数将tx,ty归一化处理，将值约束在0—1,这使得模型训练更加稳定

下图为 Anchor box 与 bounding box 转换示意图，其中蓝色的是要预测的bounding box，黑色虚线框是Anchor box。

 

YOLO-V2-聚类提取先验框：

faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集

K-means聚类中的距离：

（距离的定义：是1-IOU来限制一下数值，不会误差太大）

K=5刚好取到折中的数据！

 

YOLO-V2-Anchor Box

通过引入anchor boxes，使得预测的box数量更多（

13*13*n）

跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定

Recall(的值越高，检测出来的可能性就越大)

            YOLO-V2-Directed Location Prediction

bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：

tx=1,则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp

这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候

V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量(不会飘逸)

计算公式为：

                                         感受野的作用！！

概述来说就是特征图上的点能看到原始图像多大区域！

      （越大的广视野外，看到的范围就越大）相当于原始区域的感受数据！！

但是市面上却没有大的（卷积和），并没有太多小的卷积和！

 

假设输入大小都是h*w*c，并且都使用c个卷积核(得到c个特征图)，可以来计算

一下其各自所需参数：

这一步看起来三个卷积和的参数更加省，更有效率！

4.很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取

也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就

是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。

1. 最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征

 

 最后一层擅长找大物体！最好做到大小通吃！！！

                                YOLO-V2-Multi-Scale:

都是卷积操作可没人能限制我了！一定iterations之后改变输入图片大小

 

                                        YOLO-V3（简称巅峰之作）

2018年，作者 Redmon 又在 YOLOv2 的基础上做了一些改进。特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实时性的同时保证了目标检测的准确性。

 对此进行说明:

DBL： 一个卷积层、一个批量归一化层和一个Leaky ReLU组成的基本卷积单元。

1. res unit： 输入通过两个DBL后，再与原输入进行add；这是一种常规的残差单元。残差单元的目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
2. resn： 其中的n表示n个res unit；所以 resn = Zero Padding + DBL + n × res unit 。
3. concat： 将darknet-53的中间层和后面的某一层的上采样进行张量拼接，达到多尺度特征融合的目的。这与残差层的add操作是不一样的，拼接会扩充张量的维度，而add直接相加不会导致张量维度的改变。
4. Y1、Y2、Y3： 分别表示YOLOv3三种尺度的输出

终于到V3了！！！

（V2的缺点需要改进，所以来到了V3来做到了最大的改进！）

1. 1. 最大的改进就是网络结构，使其更适合小目标检测
2. 特征做的更细致，融入多持续特征图信息来预测不同规格物体
3. 先验框更丰富了，3种scale，每种3个规格，一共9种
4. softmax改进，预测多标签任务

多scale类型，YOLO3为了检测不同大小的物体，设计3个scale

 

三种不同大小的特征图，可以检测的时候更好的使用！

分别13，26.，52

 scale变换经典方法:

下列解释两个图片：金字塔，右图：单一的输入

 

 金字塔的数据依次输入，比较好控制图像的变换！（换到其他算法当中还行，因为他并不考虑其速度！，但是再scale算法当中确是不合适的！！！）

右图的单一输入：单一的输出结果！！

左图：对不同的特征图分别利用；右图：不同的特征图融合后进行预测；

右图做完上采样，实现一个大，中，小目标的实现！

 

1.残差连接-为了更好的特征

2.从今天的角度来看，基本所有网络架构都用上了残差连接的方法

3.V3中也用了resnet的思想，堆叠更多的层来进行特征提取

（这里说白了就是一个思想的集合点，说白了yolo就是把当年一些最优秀的思想，例如resnet融合进来，做了一个整合！）

                                                 核心网络架构

1.没有池化和全连接层，全部卷积

2.下采样通过stride为2实现

3.3种scale，更多先验框

4.基本上当下经典做法全融入了

                                         核心网络结构

先验框设计:

 

1.YOLO-V2中选了5个，这回更多了，一共有9种

2.13*13特征图上：(116x90)，(156x198)，(373x326)

3.26*26特征图上：(30x61)，(62x45)，(59x119)

4.52*52特征图上：(10x13)，(16x30)，(33x23)

 以上的数据（术业有专攻，大的数据就交给大的处理特征图上）

YOLO-V2中选了5个，这回更多了，一共有9种

 最后一点！！！

softmax层替代

1.物体检测任务中可能一个物体有多个标签

2.logistic激活函数来完成，这样就能预测每一个类别是/不是