自己回顾yolo系列算法，并做个笔记进行巩固。
YOLOV1
one stage
对比RCNN模型的目标检测，做法都是先从图片中用一些方法（selective search、RPN等）给出一些可能存在对象的候选区，再对每个候选区做特征提取之后做目标分类和bbox回归。
所以称之为two stage, 即
yolo其实并没有真正的去掉候选区域，而是在模型结构上相较rcnn并没有rpn网络，只有一个cnn网络，yolo是创造性的将候选区与目标分类合二为一。
yolo采用预定义预测区域的方法来完成目标检测，具体做法是：
输入图像先resize为448×448
图像划分为7×7的网格，每个网格大小是64×64
每个网格根据预定义，预测2个检测目标的矩形框(YOLOV1是随机产生2个bbounding box, 既没有提前设置长宽比，也没有设置尺度，就随机任意生成，只要bbounding box的中心在这个网格内，长宽比和大小任意）。那么此时整个图像相当于有98个预测区，这个预定义的前提是一张图像内包含98个目标的情况很少
对这98个区域进行目标分类和bbox回归，再进行NMS就可以得到最终的目标检测结果。
网络结构
与一般cnn结构的区别：
输出采用线性函数替换softmax函数，原因是：yolo除了要预测概率，还要预测对象的位置，softmax无法预测具体的位置。
网络输出
7×7×30 向量：7×7对应所有网格，30对象每个网格的2个bbox的位置和置信度以及在voc数据集上20种类别的分类概率
2个bbox位置：（x_center, y_center, bbox_width, bbox_height)
2个bbox的置信度：bbox内存在对象的概率×bbox与真实bbox的IOU
关于网格：
如上图所示：
黄色框代表目标的GT值，也就是车、狗、自行车的真实位置，根据真实值可以知道每个目标的中心点即上图绿色的点落在了49个网格中的哪些网格即上图绿色的网格，那么中心点所在的网格就负责进行预测这个目标，其他网格因为bbox内存在对象的概率为0，那么对应的置信度也为0了，即使有的bbox可能与真实框交并比值很大，也因为置信度为0不会造成干扰。
以上图左上角汽车举例，黄色框为GT，中心点落在绿色小框内，所以中线点落在绿色小框的预测框有汽车的pr为1，比如蓝色大框，即便与汽车真实框的IOU值不低，但是蓝色大框的中心点并不在绿色小框而是在蓝色小框，那么对应的蓝色大框预测有汽车的置信度为0。
损失函数
49个格点，含有物体的格点往往只有3、4个，其余全是不含有物体的格点。此时如果不采取点措施，那么物体检测的mAP不会太高，因为模型更倾向于不含有物体的格点。lambdacoord与 lambdanoobj的作用，就是让含有物体的格点，在损失函数中的权重更大，让模型更加“重视”含有物体的格点所造成的损失。
