一、YOLOv1

1. YOLOv1概述

YOLOv1是单阶段目标检测方法，不需要像Faster RCNN这种两阶段目标检测方法一样，需要生成先验框。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测。虽然Faster-RCNN在当时是mAP最高的算法（2015-2016年）， 然而速度却很慢，相对而言，Yolo算法的性价比是很高的，大家也都对Yolo未来的发展抱有无限期待，下图是各种目标检测算法的效果对比：👇

可见，Yolo的FPS计算速度非常快，值得当时人们的期待~ 接下来看看Yolov1的思想。

2. YOLOv1核心思想

以论文原文为例，经过卷积图像缩小为7*7的shape，即49个像素点，我们以每个像素点为中心，分别进行49次预测。以上图👆中的红色点为例，以这个像素点为中心，产生B个候选框（原文只使用2个候选框，B = 2）,然后将这两个候选框分别与真实的框做IoU，选取IoU更大的候选框根据Loss Function进行微调，得到最终结果。同理，49个像素点都要分别被当成中心产生候选框，择优后微调。

此外࿰