[目标检测]——YOLO（You only look once）_用yolo做分类准确还是使用单独网络做分类准确

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这可以在下图中看到。本文介绍的是Yolo算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，基本上把Yolo算法的特点概括全了：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。

一、YOLO介绍

1、网络分析

YOLO中一个网络搞定一切，由GoogleNet + 4个卷积 + 2个全连接层组成。

2、流程理解

1. 原始图片resize到448x448，经过前面卷积网络之后，将图片输出成了一个7x7x30的结构
2. 默认情况下分割成7x7的单元格，这里用3x3做演示 
3. 每一个单元格去预测两个bbox框
4. 进行NMS筛选，筛选概率及IoU，最终得到几个比较好的候选框

3、单元格（grid cell）

每一个单元格需要预测出两个候选框

怎样理解 7x7x30 ?

• 7x7=49个像素值，理解成49个单元格

单元格需要做的两件事：

• 每个单元格负责预测一个物体的类别，并且直接预测物体的概率值
• 每个单元格预测两个（默认）bbox位置，两个bbox有两个置信度（confidence）
  • 一个bbox：xmin、ymin、xmax、ymax、confidence
  • 两个bbox：4 + 1 + 4 + 1 = 10（4个位置信息，1个置信度）
  • 30：（4 + 1 + 4 + 1） + 20个类别信息（预测概率结果）

4、网络输出网格筛选

一个网格会预测两个bbox，在训练是我们时我们只有一个bbox专门负责预测概率（一个Object，一个bbox）

• 20个类别的概率代表这个网络当中的一个bbox
• 每个bounding box都对应一个confidence score

每个网格都会找到自己对应的物体类别： 

5、与Faster R-CNN区别

YOLO框的坐标是由网络输出，faster rcnn人为设定

二、训练过程

预测框对应的目标值标记：

• confidence：格子内的目标
• 20类概率：标记每个单元个的目标类别

怎样理解这个过程? 同样以分类那种形式来对应，假设以一个单元格的预测值为结果，如下图：

三、与Faster R-CNN区别

1、 准确率低的原因

图片当中很多物体都是比较靠近的，如果多个物体中心点落到一个网格中，之会预测一个物体，这样就会出现预测数下降