YOLO学习
# YOLO介绍
# 为什么需要YOLO
在YOLO出现之前，目标检测主要靠“R-CNN系列”算法。你可以把以前的算法想象成“拿着放大镜找东西”：
旧方法（Two-stage）：先在图片上生成几千个可能包含物体的“候选框”（Region Proposal），然后把这些框一个个切下来，分别放进神经网络去识别。这就像你在操场上找人，先圈出1000个区域，再挨个区域仔细看。缺点：太慢了，无法实时。
YOLO（One-stage）：“一眼看全图”。它不需要生成候选框，而是把整张图片直接扔进神经网络，网络一次性输出所有物体的位置和类别。这就像你扫一眼操场，瞬间就知道谁在哪里。优点：极快，能实现实时检测（45帧/秒以上）。
核心概念补充：
FPS (Frames Per Second)：每秒传输帧数。数值越大，视频越流畅。YOLO能达到45 FPS，意味着它处理一张图只需要约22毫秒，人眼根本感觉不到卡顿。
mAP (mean Average Precision)：平均精度均值。用来衡量检测准不准的指标，数值越高越好。
# YOLOv1 是怎么工作的？（核心思想）
YOLO的全称是 You Only Look Once（你只看一次）。它的核心思想是将目标检测任务转化为一个回归问题。
- 网格划分
YOLO把输入图片（统一调整为 448×448）划分成一个 S×S 的网格。图中，S=7，所以图片被分成了 49个小格子。
- 责任归属原则（非常重要！）
这是YOLO最聪明的地方：如果一个物体的中心点落在了某个格子里，那么这个格子就负责预测这个物体。
- 举例：如果一只狗的中心点在左上角的格子里，那么只有左上角那个格子会输出“这里有只狗”，其他格子都会忽略这只狗。
- 好处：不用设计很大的框去覆盖整个物体，只需要关注中心点在哪即可。
- 每个格子预测什么？
每个格子不仅要判断“有没有物体”，还要预测“物体在哪”和“是什么”。具体来说，每个格子要预测：
B个边界框：设定 𝐵=2 。也就是每个格子猜两个框，看哪个更准。
置信度：表示这个框里“有物体的可能性”以及“框得准不准”。
C个类别概率：如果是VOC数据集，有20种物体（猫、狗、车等），就要输出20个概率值。
# 网络的输出到底是什么？
这是很多初学者的噩梦，我们用Python列表的思维来理解。
假设图片被分成 7×7 的网格，每个格子预测 2 个框，类别有 20 种。
那么对于每一个格子，它输出的数据长度是：
2×(4个坐标+1个置信度)+20个类别概率=30
- 4个坐标：(x,y,w,h) ，分别是中心点坐标和宽高。
- 1个置信度：Confidence。
- 20个类别：比如 [猫:0.1, 狗:0.8, 车:0.01 ...]。
所以，整张图的输出就是一个 7×7×30 的三维张量。
- 前两个7×7 代表空间位置（对应图片上的49个格子）。
- 最后的 30 代表每个格子的详细信息。
# 损失函数（模型怎么知道自己错了？）
模型刚开始是瞎猜的，我们需要告诉它“你错哪了”，这就是损失函数。YOLOv1的损失函数由三部分组成，我们可以把它看作三个扣分项：
- 坐标误差：
- 如果你预测的框中心 (𝑥,𝑦) 和真实框中心差得远，扣分。
- 如果你预测的宽高 (𝑤,ℎ) 和真实框差得远，扣分。
- 细节：对 𝑤,ℎ 取了根号。这是因为大框差一点像素没关系，但小框差一点像素就很严重了，开根号是为了让小框的误差也被重视。
- 置信度误差：
- 有物体的格子：如果你预测的置信度不高（明明有狗，你却说不确定），扣分。
- 没物体的格子：如果背景里啥也没有，你却自信满满地说有东西，扣分（这项权重通常设得比较低，因为背景太多了）。
- 分类误差：
如果格子里有物体，但你把“狗”认成了“猫”，扣分。
# YOLOv1 的总结：成也萧何，败也萧何
速度极快，但定位不准。
优点（为什么它革命性？）
- 快：因为它把检测变成了回归问题（直接算坐标），而不是像以前那样一个个框去试。YOLO能达到45 FPS（每秒45帧），而当时的Faster R-CNN只有7 FPS。
- 背景错误少：Fast R-CNN经常把背景误认为是物体（Background error高），而YOLO看的是整张图，它能理解“这里虽然有个纹理，但它是背景”，所以误报少。
- 泛化能力强：因为它学习了物体的通用特征，哪怕你把画风的图给它，它也能认出来。
缺点（为什么后来要改？）
- 小物体检测差：这是YOLOv1最大的死穴。狗和自行车的图很经典。因为图片被分成了7x7的网格，如果一只小狗的中心点落在一个格子里，这个格子就必须负责预测这只狗。但如果这个格子里其实有两只小狗呢？YOLOv1的一个格子只能预测2个框，且最终只输出1个物体，所以必然有一只狗会被漏掉。
- 定位不够精准：因为它直接用全连接层输出坐标，对边界框的边缘处理比较粗糙。
# 两个必须懂的概念：IOU 和 NMS
这部分是目标检测的通用知识，不管以后学什么算法都要用。
IOU：交并比
- 是什么：用来衡量“你预测的框”和“真实框”重合程度的指标。
- 公式解读： IOU=A∩B/A∪B。别被符号吓到，其实就是：两个框重叠的面积除以两个框加起来的总面积。
- 直观理解：
- 如果IOU=1，说明完全重合，完美预测。
- 如果IOU=0，说明两个框完全不沾边。
- 一般我们设定一个阈值（比如0.5），IOU大于0.5才算预测对了。
NMS：非极大值抑制
- 解决什么问题：你看图里那张人脸检测的图，如果不处理，一张脸上会叠着几十个框，密密麻麻根本没法用。NMS就是用来“去重”的。
操作步骤（通俗版）：
- 排序：把所有预测框按“置信度”（也就是模型觉得它是对的的概率）从高到低排队。
- 选老大：拿出分数最高的那个框（比如图里最清晰的那个人脸），把它留下。
- 消灭小弟：拿着这个“老大”框，去跟剩下的框算IOU。如果某个框跟“老大”重叠太多（比如IOU>0.5），说明它们指的是同一个东西，直接把那个分数低的删掉。
- 循环：从剩下的框里再找分数最高的，重复上面的步骤，直到所有框都处理完。
# YOLOv3 的改进：多尺度预测
YOLOv3，这是YOLO系列的一个里程碑。
为什么要改？
为了解决YOLOv1“小物体检测差”的问题。
怎么改的？——多尺度预测
YOLOv1的做法：只把图片分成7x7的大格子。大格子感受野大，适合看大物体，但看不清小物体。
YOLOv3的做法：它在三个不同的尺度上进行预测（13x13, 26x26, 52x52）。
- 13x13（大格子）：负责检测大物体（如车、人）。
- 52x52（小格子）：格子非常密，专门负责检测小物体（如远处的鸟、交通标志）。
Anchor Boxes（锚框）：图里那一串数字（40,30...）是预设的框的大小。YOLOv3不再让网络瞎猜框的大小，而是先告诉网络：“大概有这么几种长宽比的框”，网络只需要在这些基础上微调即可。这大大提高了定位的准确性。
