1. 不同阶段算法优缺点分析

检测任务分为两种类型：

1. 单阶段检测算法：YOLO系列

   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!

2. 二阶段检测算法：Faster-RCNN，MASK-RCNN
   速度通常较慢(5FPS)，但是效果通常还是不错的!

2. IOU指标计算

其实很简单的理解就是交并比，两个框分别是预测结果与地面真值

3. MAP指标计算

首先要认识基础的精确度和召回率的计算公式，这是一个例子：

指标分析

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;

如何计算MAP

采用P–R图：需要把所有阈值都考虑进来;MAP就是所有类别的平均

最理想的情况就是框柱整个坐标系以接近1，图中（左）蓝色实线代表P–R曲线（精确度&召回率），红色虚线代表所计算的区域，即选择时选择蓝色实线的最大值；图（右）展示了所画出的四个区域，计算面积就是MAP的值

4 YOLOv1

• 经典的one-stage方法
  You Only Look Once，名字就已经说明了一切!
  把检测问题转化成回归问题（即(x,y,w,h)），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!

Faster R-CNN map较高，但fps远不能达到实时监测的要求

4.1 YOLOv1核心思想

将输入图像划分成两种候选框，计算并选择IOU最大的候选框 ，还有置信度来确定预测是否准确。最终想要得到的就是最右边的三个框。

4.2 YOLOv1网络架构

YOLOv1的卷积层在后代已经被优化了，所以不需要仔细看。

在上图中，值得关注的是两个全连接层，因为全连接层的存在，因此在最开始输入的图像大小还必须是固定的，7 * 7 * 4096 ；7 * 7 * 1470，这是两个全连接层的参数。

那么，7 * 7 * 30的输出是怎么来呢？

之前已经说过，v1会生成两个预测框B1，B2，那就已经有两个输出分别为

B1:(x1,y1,w1,h1,C1);B2:(x2,y3,w2,h2,C2)，其中C代表置信度，这已经占了10个位置，剩下的二十个代表的其实是网络中可识别的类别共计20类。

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)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VrBCqJiO-1674872650313)(C:\Users\hp\AppData\Roaming\Typora\typora-user-images\image-20230128100347551.png)]

4.3 损失函数

4.3.1 位置误差

对于x,y,w,h要指定一个函数来最小化与真实值的误差

前半部分是x,y；后半是w,h；加根号的意义是为了解决小物体中偏移量不敏感的问题，就如图所示：

4.3.2 置信度误差(含object)

图像分前景和背景，预测框想要选择的是前景。

先算预测框与真实值的IOU，再与IOU最大的框进行预测（大于阈值）。

4.3.3 置信度误差(不含object)

比上一节多加了一个参数λ，其目的是为了减弱占更多空间的背景的影响

4.3.4 分类误差

4.4 总结

全部加在一起就是总的损失函数。