零基础学yolo系列

1.目标检测算法分类

基于深度学习的主流目标检测算法根据有无候选框生成阶段，分为双阶段目标检

测算法和单阶段目标检测算法两类

双阶段检测模型 将检测问题划分为两个阶段，首先产生候选区域，然后对候选区域分类并对目标位置进行精修，如R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、Mask R-CNN等模型。

单阶段检测模型 不需要产生候选区域阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此它们的检测速度更快，如YOLO系列、SSD系列、Retina-Net等模型。

2.目标检测评价指标

目标检测效果的主要评价指标有mAP、IoU等，而评价检测速度的指标有FPS、 FLOPs等。

2.1 mAP

mAP（mean average precision） 是 各 类 别AP的 平 均 值， 其 中AP是PR （precision-recall）曲线和坐标围起来的面积组成，用于表示不同召回率下检测的平 均正确性，是对一个特定类别下目标检测器效果的评估。mAP值越高，表明该目标

检测模型在给定的数据集上的检测效果越好。

2.2 IoU

交并比（intersection over union，IoU）：针对目标检测任务，IoU度量表示的是预测的边框和原图片标注的真实边框的交叠率，是两检测框的交集比上其并集。当IoU为 1的时候则说明预测的效果达到最佳。针对检测框P 和真实边框 G ，IoU的计算公式为

                                                 

2.3 FPS（frame per second）和FLOPs（floating point operations）

是常用于度量 目标检测算法速度的评价指标。其中FPS代表检测器每秒可以处理的图片帧数，数值越大代表检测速度越快。FLOPs即浮点运算数是衡量算法与模型的复杂度的指标，模型FLOPs与许多因素有关，比如参数量、网络层数、选用的激活函数等。FLOPs值越大，表明神经网络所需要的浮点运算量越大，在同等硬件的条件下速度越慢

3. 目标检测常用损失函数

目标检测模型通常包含两类损失函数：

• 一类是分类损失，例如交叉熵损失、 Focal Loss等；
• 另一类是位置回归损失，例如L2损失、Smooth L1 loss、IoU loss 等。

这两类损失函数用于检测模型最后一部分，根据模型输出（类别和位置）和实际标注框（类别和位置）分别计算分类损失和位置回归损失。

3.1 交叉熵损失公式

式中， M 表示类别数量； y ic 表示符号函数（0或1），如果样本 i 的真实类别等于 c

取1，否则取0； p ic 表示观测样本 i 属于类别 c 的预测概率。

3.2Focal loss

是为了缓解样本的不平衡问题，在标准交叉熵损失基础上修改得到的。其可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本。 Focal loss的公式如下：