YOLO V1
在yolo之前，目標檢測的巔峯之作是faster-rcnn。faster-rcnn是典型的two-stage目標檢測網絡，先用一個RPN(region proposal network)提取region proposal，再用一個分類網絡判斷RP中是否含有目標，所以faster-rcnn本質上是分類問題。
yolo v1是one-stage的開山之作，將目標檢測看作迴歸問題，直接從圖像像素得到邊界框座標和類別概率。不同於faster-rcnn只對某個RP預測，yolov1可以看到整張圖像，所以預測錯誤的概率是faster-rcnn的一半，yolo v1的預測結果假陽性目標少，精確率高，但是召回率低，定位誤差多。（若有疑問，建議補課精確率和召回率）
one-stage實現方式：
將輸入圖像劃分爲7*7的柵格，每個柵格預測2個bounding box，每個bounding box包括5個預測值（x,y,w,h,confidence)
confidence=p(object)*IOU
以VOC數據集爲例，一共20個類別，最終輸出7*7*（2*5+20）=7*7*30個tensor。
網絡結構受圖像分類模型GoogLeNet的啓發，有24個卷積層，後面是2個全連接層。隱藏層部分使用1×1降維層，後面接3×3卷積層。最終輸出是7×7×30的預測張量。
損失函數：
損失函數的設計目標就是讓座標（x,y,w,h），confidence，classification 這三個方面達到很好的平衡。
前兩項是位置的損失函數，寬高開根號，是爲了強化小目標的損失。
比如：小目標：w_pre=10,w_gt=20
大目標：w_pre=100,w_gt=110
顯然小目標檢測得更差一些。若不開根，二者損失值一樣（20-10）^2=(110-100)^2 ， 開根後
，相當於強化了小目標的損失。
第三、四項分別是含有目標的bounding box的confidence和不含目標的bounding box的confidence損失。大部分邊界框內是沒有目標的，會造成loss的不平衡，所以對不含目標的bounding box加權
=0.5。
最後一項是分類概率損失
YOLO V2
YOLO V2 主要解決yolo v1定位誤差多、召回率低的問題。
相較於v1的幾點改進：
1. 增加BN層，移除dropout層，這一操作使mAP增加2%
2. 使用高分辨率的分類器，yolov1使用224*224的輸入預訓練，然後將分辨率提高到448*448在檢測器上微調。對於目標檢測任務，通常分辨率越高最後得到的結果越接近預期。但是切換分辨率，檢測器可能難以快速適應高分辨率。yolov2使用448*448的分辨率微調分類網絡（10個epoch），使模型在檢測數據集上finetune之前已經適用高分辨率輸入。
3. 增加anchor box， yolov1用全連接預測bbox的位置座標，YOLOv2借鑑了Faster R-CNN中RPN網絡的anchor box策略，移除了YOLOv1中的全連接層，採用了卷積和anchor boxes來預測邊界框，提高定位精度。其中值得一提的一個trick，檢測模型的輸入不是448*448，而是416*416，因爲經過32倍的下采樣，416*416的輸出特徵圖是13*13的奇數維度，這樣可以很方便的尋找到中心點，對於一些大物體，它們中心點往往落入圖片中心位置，此時使用特徵圖的一箇中心點去預測這些物體的邊界框相對容易些。所以在YOLOv2設計中要保證最終的特徵圖有奇數個維度。yolov1只預測7*7*2=98個框，增加anchor後，v2預測的邊框數爲13*13*anchor_num，map由69.5%降至69.2%，但是召回率由81%提高到88%
4. 使用聚類的方法得到anchor的維度，在Faster R-CNN和SSD中，先驗框的維度（長和寬）都是手動設定的，帶有一定的主觀性。如果選取的先驗框維度比較合適，那麼模型更容易學習，從而做出更好的預測。因此，YOLOv2對訓練集的標籤使用k-means聚類確定邊界框維度。
5. 直接位置預測
（未完待續）