YOLO知识点总结：

分类：

即是将图像结构化为某一类别的信息，用事先确定好的类别(category)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。其中，ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用领域，人脸、场景的识别等都可以归为分类任务。

检测：

分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息（classification + localization）。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因此检测模型的输出是一个列表，列表的每一项使用一个数组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。

先来回顾下分类原理，这是一个常见的CNN组成图，输入一张图片，经过其中的卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果。

目标定位的简单实现：
在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。
回归位置：
增加一个全连接层，即为FC1、FC2
1）FC1：作为类别的输出
2）FC2：作为整个物体位置数值的输出

分割：

分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。　

目标检测的基本思路：

同时解决定位（localization） + 识别（Recognition）。 

多任务学习，带有两个输出分支。一个分支用于做图像分类，即全连接+softmax判断目标类别，和单纯图像分类区别在于这里还另外需要一个“背景”类。另一个分支用于判断目标位置，即完成回归任务输出四个数字标记包围盒位置(例如中心点横纵坐标和包围盒长宽)，该分支输出结果只有在分类分支判断不为“背景”时才使用。详细结构如下图所示：

什么是位置（位置的定义）：

目标检测的位置信息一般有2种格式（以图片左上角为原点（0,0））：

极坐标表示：（xmin，ymin，xmax，ymax）
xmin，ymin：x，y坐标的最小值
xmax，ymax：x，y坐标的最大值

中心点坐标：（x_center，y_center，w，h）
x_center，y_center：目标检测框