YoLov1目标检测——知识点笔记

一、了解图像分类、目标检测、语义分割及实例分割的区别：

图像分类：输入图像输出类别。如上图（a）所示。

目标检测：输入图像输出图像中每一个物体的类别。能把每个物体的矩形框画出来，并对每个物体做分类。如上图（b）所示。

语义分割：对每一个像素分类，不管这几个像素是属于哪几个物体，只在意它属于什么类别。能把每个像素类别输出来，不区分不同物体的像素。例如，上图（c）中同类别的物体像素相同，所有cube都归为一个类别。

实例分割：要把同一个类别的不同实力给它区分出来。把同一类别不同物体的像素也区分出来了。例如，上图（d）中每一个cube都被区分出来了。

二、YoLov1的提出背景及原因（用来做什么的）？

‌YOLOv1的提出背景是为了解决传统目标检测算法计算时间长、无法实现实时处理的问题。‌ 在YoLov1提出之前，目标检测方法主要采用基于RCNN、Fast R-CNN等深度学习算法，这些方法虽然精度较高，但需要耗费很长时间进行计算，因此无法实现实时处理‌。在之前 two-stage 方法中，例如 R-CNN 把检测问题分成两部分，先生成候选区域（region proposal），再用分类器对区域分类，多阶段训练导致不易优化。而YoLov1无需提取候选区域，也无复杂的上下游处理工作，一次向前推得到bounding box定位及分类结果，实现端到端的训练优化。

三、YoLov1的工作原理（流程）：

1、预测阶段（向前推断）：

（深度卷积神经网络）