一、什么是目标检测
目标检测的任务是找出图像中所有感兴趣的目标（物体），确定他们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状、姿态，再加上光照、遮挡等因素的干扰，目标检测在计算机视觉中也是一项具有挑战性的任务。
计算机视觉中关于目标检测的四大类任务:
- 分类（Classification）：给定一张图片或一段视频判断里面包含什么类别的目标。
- 定位（Location）：定位出这个目标的的位置。
- 检测（Detection）：即定位出这个目标的位置并且知道目标物是什么。
- 分割（Segmentation）：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
而目标检测任务，其实就是分类问题+回归问题的一个叠加，分类是区分目标属于哪个类别，回归用来定位目标所在的位置。
目标检测算法的预测结果应该包含：图像、图像中的目标类别、以及每个目标的边框位置。我们用这个结构的数据和验证集的数据进行比较，来衡量目标检测的质量。
IoU(交并比)的计算:交并比是预测边界框和标注数据边界框的交集和并集之间的比率，这个统计量也叫做 Jaccard 指数（Jaccard Index）。
精确率:给定的图片中类别C的精确率 = 图片中类别C的真正类数量 / 图片中类别 C 所有目标的数量。
平均精度:100 个精度率的值（每张图片一个值）。让我们对这些 100 个值进行平均。
平均精度均值:有20个类别，对每一个类别，我们都进行相同的计算流程：IoU -> 精确率(Precision) -> 平均精度(Average Precision)。这样就有20个类别的平均进度，我们对所有类别的平均精度值计算其均值（average/mean）
平均精度均值(mAP)是预测目标位置和类别的性能度量标准。
二、目标检测的算法
基于深度学习的目标检测算法分为2类：Two Stage和One Stage。
- Two Stage：先预设一个区域，改区域称为region proposal，即一个可能包含待检测物体的预选框（简称RP），再通过卷积神经网络进行样本分类计算。流程是：特征提取 -> 生成RP -> 分类/回归定位。常见的Two Stage算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN等。
- One Stage：不用生成RP，直接在网络中提取特征值来分类目标和定位。流程是：特征提取 -> 分类/回归定位。常见的One Stage算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、YOLOv5、SSD、RetinaNet等。
1、滑动窗口生成RP:滑动窗口其实就是个穷举的过程，由于事先不知道要检测的目标大小，所以要设置不同大小比例的窗口去滑动，而且要选取合适的步长。
2、利用非极大值抑制算法挑最优解:不管是哪个目标检测的算法，一个目标都会被多次检测到，我们会有很多结果，但是大多数的结果置信度都不高，我们利用非极大值抑制算法（NMS）就能挑出那个置信度最好的结果。
三、YOLO原理
YOLO是You Only Look Once的简称，它不使用窗口滑动，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，可以认为特征图的每个元素也是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方格内的目标，这就是Yolo算法的朴素思想。
YOLO网络设计:
YOLO采用卷积网络来提取特征，使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数，但是最后一层却采用线性激活函数。
