【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）

本系列文章不可转载！！！

一、问题

本章问题导读，如果面试前以下题目还有不会的建议看本篇文章
1.什么是YOLO，解释YOLO v1的三十个维度
2.什么是YOLO V2，解释Batch Normalization，并阐述其作用

二、人工智能全栈学习系列课程

【人工智能全栈学习】机器学习基础知识——线性回归与逻辑回归（看完就全懂了）
【人工智能全栈学习】机器学习基础知识——传统机器学习（看完就全懂了）
【人工智能全栈学习】机器学习基础知识——分类器和机器学习三大定律（看完就全懂了）
【人工智能全栈学习-情感分析】BiLSTM（看完就全懂了）
【人工智能全栈学习-情感分析】Bert（看完就全懂了）
【人工智能全栈学习-知识图谱】零基础实践——动手学关系抽取
【人工智能全栈学习-知识图谱】零基础理论——动手学关系抽取：TextCNN&LSTM
【人工智能全栈学习-计算机视觉】Yolo系列（看完就全懂了）
【人工智能全栈学习-图像分割】语义分割和实例分割（看完就全懂了）

三、Yolo V1

One-Stage and Two-Stage

map和IOU

map是综合考虑precision和recall

Yolo V1

最终得到的结果是B1,B2两个预选框，每个框五个维度，$[x_1,y_1,w_1,h_1,c_1(置信度)]\ast 2+20(20个种类的概率)=30$
利用损失函数进行相应的训练。

位置误差

置信度

Yolo V1局限性

四、Yolo V2

Dropout

Batch Normalization：目的是处理隐藏层的不敏感问题

什么是批标准化 (Batch Normalization)