目标检测YOLO系列论文对比

yolo相对于R_CNN系列论文，创新之处在于不再需要候选区域，直接端到端，利用回归的思想，直接回归出边框和类别，大大加快了速度，同时精度也挺高。。

YOLO v1

主要思想

1、将图片划分为s×s的网格，待检测的目标中心点位于哪个网格中，就由哪个网格来负责检测他，论文中每个网格设定了2个框，也就是让2个框来同时拟合一个目标框，所以当网格中存在目标时，那么该网格中的预测框的目标值即为这个目标框的值（对比R_CNN系列论文，他们都是通过预测框与目标框的IOU来设定预测框的目标值）；
2、所有的预测框由网络直接传播获得，每个网格预测5个框，每个框用5个预测值来表示，分别（x,y,w,h）和得分， x和ｙ代 表 区域的中心点对于cell左上角 的偏移量，ｗ 和h代表区域相对于全图的宽和高，它们都介于０ - １之间。得分反映了区域内包含 一 个目标的置信度和预测区域的精确度，得分的计算方法为：

IOU表示预测框与真实框的交并比，如果网格中有目标，Pr就等于1，否则为0，
实际这个公式是为了求训练时得分的目标值，修正网络预测的得分值；
3、每个网格无论有多少个框，都值预测一个类别值（与yolo v2不同，v2中每个anchorbox预测一组类别值），所以正向传播预测结果为s×s×（5×2+20）
4、损失函数
注意：类别损失和坐标损失只计算有目标的网格中的预测框；
但是confidence损失有无目标都要计算。

训练过程

1、网络正向传播，得到s×s×2个预测框
2、计算预测框的目标值，然后计算损失函数，反向传播，更新参数

测试过程

1、网络正向传播，得到s×s×2个预测框
2、每个框的得分乘以所在网格的预测类别，取最大值，得到这个框的类别，并将这个值作为这个目标属于这一类的confidence
3、利用confidence和NMS过滤冗余边框，得到最终结果

YOLO v2

总体思路与一代相同，这里只说一下改进之处
1、联合训练算法
利用分类图像来学习分类，利用检测图像来学习定位
2、引入anchor box
相比较于一代yolo，一代yolo直接回归坐标，难度很大，引入anchor box，有了基准坐标，相对来说，预测难度降低；
但注意与faster R_CNN的区别，因为faster R_CNN是在feature map上，拿着anchor box进行滑动窗口的，实际就相当于一个框一个框的进行分类和回归，所以自然很容易检测到所有目标，但是yolo的类别和坐标都由回归产生，难度比faster-R-CNN要大：
（1）先验框的设置很重要。所以利用k-means来聚类，得到先验框的数量和大小（k=5），这样先验框更可靠
（2）直接预测相对于anchor box的偏移量，导致模型不稳定。所以不再预测偏移，而是预测相对于网格左上角的坐标
（3）如下，tx，ty，tw，th为网络预测值，所以在测试时，需要进一步计算获得预测边框，将相对于网格左上角坐标（tx，ty）转化为相对于图片左上角的坐标，宽度和高度需要依据anchor box的尺寸pw和ph来计算求得，具体公式如下，计算得到bx，by，bw，bh之后，在对他们进行过NMS。

（3）引入anchor box之后，每一个anchor box都需要进行单独的类别预测（一代中每个cell只预测一个类别），例如数据集类别为80类，那么每个anchor box需要预测一个85维的向量，如果每个cell有5个anchor box，网格为19×19，网络预测输出为：
19×19×5×85.。。

YOLO v3

（1）多尺度预测
（2）用来更复杂的模型
相对于前两代改进不大，精确度提高了，但速度也慢了。。