零基础，快速学YOLO目标检查算法（YOLO—v1,2,3快速学习）

一.深度学习经典检测方法

1.two-stage(两阶段)：Faster-rcnn Mask-Rcnn系列，先有预选，预选完之后再通过预选得到最终结果。速度通常较慢，但效果不错

2.one-stage(单阶段)：YOLO系列，普通回归任务。最核心的优势，速度非常快，适合做实时检测任务，但效果通常情况不会太好

二.指标分析

map指标：综合衡量检测效果。精度：检测到的一个东西跟实际是否吻合。recall：有没有一些没检测到。IOU:（真实值和预测值）交集/并集

precision=tp/(tp+fp)

recall=tp/(tp+fn

tp:在做对的情况下判断成正例.本来是正例，并且预测成了正例

fp:做错的情况下把它判断成了正例。本身是一个负例，错误地判断成正例

fn：错误地把它判断成了负例，本来是一个正例，错误判断成了正例

tn:错误地判断成了正例，本身是一个负例，正确判断成了负例

置信度：比如当前这个框是一个人脸的可能性

三.YOLO-v1

经典的one-stage方法，You Only Look Once 

把检测问题转化为回归问题 比如经典检测问题中，我们需要起始位置，再需要一个长，宽（x,y,w,h），一个CNN搞定（卷积神经网络）

提出两种候选框，那个IOU大就选哪个微调

需要预测Bounding boxes（x,y,w,h） + confidence(置信度,这个点对应的是物体的可能性是多大)

核心思想：

分为s*s的格子，在每一个格子中产生两种候选框，每个格子要预测一个置信度，置信度大于我们所设置的阈值留下。再对留下的格子产生的两种候选框做一个筛选，IOU大的那一个留下，算出xywh，即把这个框算出来了

整体网络架构解读：

首先第一步我们拿到一个输入图像（v1版本中指定输入大小为448*448*3） 

卷积神经网络都有

co