- YOLOv1算法簡介
是繼RCNN，Fast-RCNN和Faster-RCNN之后，對DL目標檢測速度問題提出的另外一種框架。使用深度神經網絡進行對象的位置檢測以及分類，
主要特點是速度快，准確率高，采用直接預測目標對象的邊界框的方法，將候選區和對象識別兩個階段合二為一。
yolov1將原始圖片分割成互不重合的小方塊，（也就是將圖像分成S x S個網格），然后通過卷積最后生產這樣大小的特征圖，基於上面的分析，
可以認為特征圖的每個元素也是對應原始圖片的小方塊，然后利用每個元素來可以預測那些中心點在改小方格的目標
yolo是將物體檢測任務當做回歸問題來做
論文下載：http://arxiv.org/abs/1506.02640 代碼下載：https://github.com/pjreddie/darknet
- YOlOv1的算法原理
如圖所示，分成7*7個小格子，每個格子預測兩個bounding box，
每個bonding box除了要回歸自身的位置（ (x, y, w, h) 和 confidence 共5個值）之外，還要附帶預測一個confidence值（置信度）
如果一個目標的中心落入一個網格單元中，該網格單元負責檢測 該目標。
對每一個切割的小單元格預測（置信度，邊界框的位置），每個bounding box需要4個數值來表示其位置，
(Center_x,Center_y,width,height)，即(bounding box的中心點的x坐標，y坐標，bounding box的寬度，高度)，
也就是要預測 (x, y, w, h) 和 confidence 共5個值，每個網格還要預測一個類別信息，記為 C 類。則 SxS個 網格，
每個網格要預測 B 個 bounding box 還要預測 C 個 categories。
輸出就是 S x S x (5*B+C) 的一個 tensor。
置信度定義為是否存在目標與iou值的乘積 
注意：class 信息是針對每個網格的，confidence 信息是針對每個 bounding box 的。
舉例說明: 在 PASCAL VOC 中，圖像輸入為 448x448，取 S=7，B=2，一共有20 個類別（C=20），則輸出就是 7x7x30 的一個 tensor。
算法流程
1、將圖像resize到448 * 448作為神經網絡的輸入
2、運行神經網絡，得到一些bounding box坐標、box中包含物體的置信度和class probabilities
3、進行非極大值抑制，篩選Boxes
算法結構
網絡方面主要采用GoogLeNet，（YOLO未使用inception module,而是采用1*1卷積層，為了跨通道信息整合+3*3卷積層簡單代替）
包含24個卷積層和2個全連接層，卷積層主要用來提取圖像特征，全連接層主要用來預測圖像位置和類別概率，
最后輸出是7*7*30（30是5*2+20），7*7就是切分的網格（grid cell）的數量，可能對於inception的改動，最后幾層全連接的改動，
重點在於最后一層的輸出是7*7*30
輸入圖像分辨率為448*448，所有預測結果歸一化0~1，使用Leaky Relu作為激活函數，第一個全連接層后面接了一個ratio=0.5的Dropout層
參考鏈接 ：http://www.imooc.com/article/36391
直接把訓練好的YOLO網絡模型輸入一張圖片，得到一個7*7*30的結果向量，通過NMS（非極大值抑制）來選擇最終的結果；
NMS就是通過打分來選出最好的結果，與這個結果重疊的對象去掉，是一個不斷迭代的過程。
score = 某個對象的概率 * 置信度
所以對於每個網格有20*2個得分，每個對象有49*2個得分；這里的2是bounding box的個數；
具體的過程是：
1，設置一個分數閾值，低於的直接置為0；
2，遍歷對於每個對象：
選出分數最高的那個及其bounding box放到輸出列表中；
將其他的與上面選出的分數最高的那個計算IOU，設置一個閾值，大於閾值的表示重疊度較高，把分數置為0；
如果所有的bounding box都在輸出列表中或者分數為0，那么這個對象的NMS就結束
對接下來的對象執行此過程
3.得出輸出結果；
算法優點
1、YOLO檢測物體非常快
2、YOLO可以很好的區分背景與物體，不像其他物體檢測使用滑窗或者region proposal,分類器只能得到局部圖像的局部信息，
YOLO在訓練和測試時都能看到一整張圖像的信息，因此YOLO在檢測物體時能很好的利用上下文信息，從而不容易背景上預測儲錯誤的物體信息。
和Fast-RCNN相比，YOLO的背景錯誤不到Fast-RCNN的一半
3、YOLO具有高度泛化能力，因此應用新領域或碰到意外的的輸入時不太可能出現故障
算法缺點
1、位置精確性差，容易產生物體的定位錯誤，輸入尺寸固定
2、對相互靠的很近的物體，對於小目標物體，很小的群體檢測效果不好
3、YOLO雖然可以降低將背景檢測為物體的概率，但同時導致召回率較低
參考博客：
https://blog.csdn.net/duanyajun987/article/details/81940284
http://www.imooc.com/article/36391
https://www.cnblogs.com/ywheunji/p/10761239.html