該筆記介紹的是《卷積神經網絡》系列第三周：目標檢測 （2）YOLO算法
主要內容有：
1.YOLO算法思想
2.交並比
3.非最大抑制
4.Anchor Box
5.YOLO算法例子
YOLO算法思想
基本的滑動窗口對象檢測算法並不能精准描繪邊框，所以我們要學習一個能夠得到准確邊框的算法YOLO（You Only Look Ones）算法。
算法思想：在圖片上放置n*n的網格，並將圖像分類和定位算法運用到每個網格上面去。
與滑動窗口對象檢測算法的區別：
a.窗口滑動由放置網格取代，YOLO算法會對每個網格使用圖像分類和圖像定位算法，相比滑動窗口會大大的減少了運算量。
b.一個對象可能在多個網格中，YOLO算法會找到該對象的中心點，並把對象分給包含中心的網格。（bh,bw是可以大於網格大小，實踐中會使用更精細的去分割網格，所以對象會橫跨多個網格）
c.顯示的輸出邊界框架，讓神經網絡輸出的框架可以具有任意的寬高比，並且能輸出更精確的坐標。
*由於YOLO算法的特性使得，每個格子的對象不能超過一個，但是實踐過程中網格會分的很精細所以基本上不用擔心這個問題。
YOLO算法的輸出
由於YOLO算法是對每個網格進行運行，在視頻給出的例子中輸出結果3*3*8
3*3是圖片的分割的網格數量
8是輸出圖片預測和邊框位置等信息，其實就等於給出的標簽y的具體信息：
交並比（IOU）
計算兩個邊框交集和並集之比，IOU是用來衡量兩個邊框的重疊的大小。
交集/並集=
一般認為IOU>=α（閥值，一般人為約定為0.5）是可接受的，由不同場景可自己設置。
非最大抑制
抑制不是極大值的元素，搜索局部的極大值，確保每個對象只檢測一次。
YOLO算法在運行中存在一個問題，理論上圖片上每一個對象只存在一個中心點，實踐中可能會有幾個網格都會認為對象的中心在自己網格中。
於是就會生成多個邊框
非最大抑制的作用就是，對於每個對象只保留其Pc預測最大的值
非最大抑制用法
a.去掉IOU沒到達到閥值的邊框
while(存在剩下的邊框):
b.選擇概率Pc的邊框，輸出為預測結果
c.剩下邊框中所以和輸出邊框有很大的交並，則它們的輸出被抑制。
*如果存在多種類型的對象（即是c1,c2,c3），每種類型的對象要單獨運行最大抑制（不同類型對象的交並值會對結果產生影響）。
Anchor Box
使用Anchor Box可以讓一個檢測出多個對象（不同類別的）。
Anchor Box思路：
a.預先定義多個個不同形狀的的Anchor Box，Anchor Box的形狀是與預測結果關聯起來的。
b.現在每個對象都和以前一樣分配到同一個格子里面，但是現在還要分配到一個Anchor Box，分配的原則是比較並選擇該格子內對象與定義的Anchor Box不同形狀之間的IOU交並比最高的那個。
於是標簽y（對於視頻中的例子）就變成下圖這樣了，每一個Pc對應這一個Anchor Box形狀。
使用Anchor Box的好處：
a.處理兩個不同類型的對象出現在同一格子里面，實際情況中如果格子夠細致的話，一般不會出現兩個格子在一個對象里面的。
b.能夠讓算法更有針對行（監督學習），如果你的數據給出的對象的形狀大概相似。
如何選擇Anchor Box:
一般手動根據對象制定Anchor Box形狀，可以選擇5個到10個形狀，可以涵蓋你想要檢測對象的各種對象。
YOLO算法例子
上面講的都是構建YOLO算法中所需要知道的一些知識，下面就通過一個例子把所有的知識點穿插起來。
視頻使用的例子還是在圖片中檢測pedestrian（行人）、car(車)和motorcycle(摩托車)
輸出數據形狀是3x3x16:
a.3x3是分的格子形狀
b.16(=2x8)其中2是使用的Anchor Box的個數，8就是輸出的參數個數（Pc,bw,bx,bh,bw,c1,c2,c3）
輸出標簽y:
Anchor Box選擇：
使用Anchor Box 1表示pedestrian(行人)，Anchor Box 2表示car(車)和motorcycle(摩托車)，這里是不知道為什么摩托車沒Anchor形狀，所以我認為可能摩托車形狀與Anchor Box 2差不多。
使用卷積神經網絡訓練：
最后是使用非最大抑制：
沒有使用非最大抑制時，由於使用了兩個Another Box,每個格子都會有兩個檢測邊界框，只是Pc概率不同而以。
你需要做的是：
a.拋棄概率比較低的預測邊框
b.如果存在三個對象檢測的類別（行人，車和摩托車）,對每一類單獨運行非最大抑制。這里的意思對於行人Anchor Box 1的形狀的概率明顯高於Anchor Box 2的概率。所以去掉Anchor Box 2形狀的邊框。