yolo

《最近在做目标检测，差不多懂了。所以看了下综述》 https://zhuanlan.zhihu.com/p/33981103 目标检测一直是计算机视觉的基础问题，在 2010 年左右就开始停滞不前了。自 2013 年一篇论文的发表，目标检测从原始的传统手工提取特征方法变成了基于卷积神经网络的特征提取，从此一发不可收拾。 本文将跟着历史的潮流，简要地探讨「目标检测」算法的两种思想和这些思想引申出的算法，主要涉及那些主流算法，no bells and whistles. 概述 Overview 在深度学习正式介入之前，传统的「目标检测」方法都是 区域选择 、 提取特征 、 分类回归 三部曲，这样就有两个难以解决的问题；其一是区域选择的策略效果差、时间复杂度高；其二是手工提取的特征鲁棒性较差。 云计算时代来临后，「目标检测」算法大家族主要划分为两大派系，一个是 R-CNN 系两刀流，另一个则是以 YOLO 为代表的一刀流派。下面分别解释一下 两刀流 和 一刀流 。 两刀流 顾名思义，两刀解决问题： 1、生成可能区域（Region Proposal） & CNN 提取特征 2、放入分类器分类并修正位置 这一流派的算法都离不开 Region Proposal ，即是优点也是缺点，主要代表人物就是 R-CNN 系。 一刀流 顾名思义，一刀解决问题，直接对 预测的目标物体进行回归 。

来源： CSDN 作者： TJMtaotao 链接： https://blog.csdn.net/TJMtaotao/article/details/103544073

You Only Look Once: Unified, Real-Time Object Detection 您只看一次：统一的实时对象检测 前言 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),他们是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。第一类方法是准确率高一些，但是速度慢，但是第二类算法是速度快，但是准确率要低一些。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000算法。本文主要讲述Yolo-v1算法的原理，特别是算法的训练与预测中详细细节，最后将给出如何使用TensorFlow实现Yolo算法。 滑动窗口与CNN 在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题