yolo算法怎样实现目标检测.pptxVIP

YOLO算法的原理与实现汇报人：XXX

目录前言Yolo算法原理Yolo网络设计

1前言

前言 当我们谈起计算机视觉时，首先想到的就是图像分类，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等，见图所示。其中目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。目标检测的一个实际应用场景就是无人驾驶，如果能够在无人车上装载一个有效的目标检测系统，那么无人车将和人一样有了眼睛，可以快速地检测出前面的行人与车辆，从而作出实时决策。

前言 近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类它们是two-stage的，需要先使用启发式方法（selectivesearch）或者CNN网络（RPN）产生RegionProposal，然后再在RegionProposal上做分类与回归R-CNN，FastR-CNN,FasterR-CNN01一类是基于RegionProposal的R-CNN系算法不需要regionproposal阶段，直接产生物体的类别概率和位置坐标值。Yolo，SSD02另一类是Yolo，SSD这类one-stage算法 第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。

2Yolo算法原理

Yolo算法 Yolo算法，其全称是YouOnlyLookOnce:Unified,Real-TimeObjectDetection，这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000算法。本文主要讲述Yolo-v1算法的原理，特别是算法的训练与预测中详细细节。

滑动窗口与CNN在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题预备知识其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了。滑动窗口

滑动窗口与CNN如DPM就是采用这种思路。但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。但是这样会产生很多的子区域滑动窗口解决思路之一就是减少要分类的子区域，这就是R-CNN的一个改进策略，其采用了selectivesearch方法来找到最有可能包含目标的子区域（RegionProposal），其实可以看成采用启发式方法过滤掉很多子区域，这会提升效率。解决思路

滑动窗口与CNN 减少要分类的子区域，这里要介绍的是一种全卷积的方法，简单来说就是网络中用卷积层代替了全连接层. 上面尽管可以减少滑动窗口的计算量，但是只是针对一个固定大小与步长的窗口，这是远远不够的。Yolo算法很好的解决了这个问题，它不再是窗口滑动了，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，基于上面的分析，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。下面将详细介绍Yolo算法的设计理念。

Yolo设计理念整体来看单独的CNN模型Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图5所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。

Yolo设计理念具体来说Yolo划分网格具体来说，Yolo的CNN网络将输入的图片分割成S×S网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测B个边界框（boundingbox）以及边界框的置信度（confidencescore）。所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为，当该边界框是背景时（即不包含目标），此时Pr(object)=0。而当该边界框包含目标时，Pr(object)=1。边界框的准确度可以用预测框与实际框（groundtruth）的IOU（inter