写点随笔

最近真的被优秀的学长震撼到了，带我入门的师兄已经早早拿到了offer，也有了很优秀的实习经历，再看看自己（，每次学习的时候都忍不住摸鱼，为了消消惰性和好好准备互联网+，决定认真做做算法详解这部分内容。

1.YOLOv1

检测算法的发展

初始检测算法的的基本构成主要由下图所示 图像输入后对其中元素进行基本的备选操作，得出可能出现的部分，之后由人为来进行特征工程，也就是对备选操作中的出的元素做出总结（Stage-1），总结出满足需要检测物体的元素，选择出特征后，作为神经网络的输入传入模型中，进行模型的迭代与梯度下降，最终生成检测结果（Stage-2），但最终产生的效果较差。 在Two-stage算法中，我们采用CNN这个网络利器来对备选元素做出总结，以及生成对应的检测模型，在这个过程中，我们发现Stage-1部分完全可以被CNN代替，这步转变也就是Two-Stage到One-Stage的转变。 One-stage算法的代表： SSD，YOLO，RetinaNet。

网络框架综述

网络框架的总体可以分为三个阶段

• pre-algorithm:对应数据阶段，对数据进行改良，进行数据增强，对抗学习，以及标签工程（改良我们的label标注办法，如取代单一的0/1表示方法，采用置信度等方法）
• in-algorithm:算法部分，又可以再细分为与算法框架有关的部分以及训练中的策略部分，算法框架部分中可以分为backbone，neck以及head，backbone对应主体框架，例如（resnet，vgg）neck部分承接head，利用neck改变将backbone部分数据转换维head需要的向量形状，head部分帮助我们实现总体的功能，例如标注出物体位置，进行物体分类，显示物体信息等，训练中的策略部分就包含优化器部分，梯度下降策略以及初始训练策略（warm up）
• post-algorithm:收尾部分，主要包含loss以及一些剩下的操作如NMS（选取置信度较高的部分进行显示）等

YOLO综述

YOLO算法，即You Only Look Once，是目前应用最广泛的物体检测算法之一。