YOLO系列算法详解（一）

一、深度学习经典检测方法

1.检测任务中阶段的意义

对于单阶段(one-stage)检测来说，输入一张图像，经过一个卷积神经网络，输出一个边界框，只需要得到框的（x1,y1）和(x2,y2)四个值即可，是一个简单的回归任务。 

两阶段(two-stage)检测中，也是输入一张图像，输出是检测到的物体的边界框，但是在检测过程中，多加了一个RPN（区域建议网络），最终的结果是由一些候选框（预选框）得到的，这样得到的效果会比单阶段检测好。

2.不同阶段算法优缺点分析

one-stage: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！

通常来说，在目标检测算法中，速度越快，效果越差；效果越好，速度越慢。

mAP，即均值平均精度（mean Average Precision）

mAP值越大，效果越好

 FPS，即每秒帧率 (Frame Per Second)

除了检测准确度，目标检测算法的另一个重要评估指标是速度，只有速度快，才能够实现实时检测。FPS用来评估目标检测的速度。即每秒内可以处理的图片数量。当然要对比FPS，你需要在同一硬件上进行。另外也可以使用处理一张图片所需时间来评估检测速度，时间越短，速度越快。

two-stage:速度通常较慢（5FPS），但是效果通常还是不错的！
                 非常使用的通用框架Mask-Rcnn，需要熟悉

 3.指标分析

（1）TP、TN、FP、FN

在介绍各项评估指标之前，首先介绍一下TP、TN、FP、FN这四个概念。

 T（True）或者F（False）代表的是该样本的分类是否正确，P&#x