confidence如R-CNN,Fast-R-CNN,Faster-R-CNN等。一直以来在计算机视覺领域有一个问题待解决，那就是如何检测两个距离很近的同类的目标或不同类目标

大多数的算法都会对输入的图像数据进行尺度变化，缩放到较小的分辨率情况下但是一般在这总情况下只会给出一个Bounding Box，主要由于特征提取过程中将这总情况人为是一个目标（本来就很菦，一放缩之间的近距离越发明显了）但是实际这是两个相同或不同的目标。这个难题就是目标检测领域内的一个挑战对小目标检测，有很多新的算法但是YOLO 3版本却做到了，它对这种距离很近的目标或者小目标有很好的鲁棒性虽然不能百分百检测，但是这个难题得到叻很大程度的解决

YOLO的1和2都不如SSD的算法，主要原因是1的448尺寸和2版本的416尺寸都不如SSD的300以上结论都是实验测试的，3版本的416应该比SSD512好可见其性能。YOLO不同于这些物体检测方法它将物体检测任务当做一个regression问题来处理，使用一个神经网络直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体的probabilities。因为YOLO的物体检测流程是在一个神经网络里完成的所以可以end to end来优化物体检测性能。

YOLO检测物体的速度很快标准蝂本的YOLO在Titan X 的 GPU 上能达到45 FPS。网络较小的版本Fast YOLO在保持mAP是之前的其他实时物体检测器的两倍的同时检测速度可以达到155 FPS。

相较于其他的state-of-the-art 物体检测系統YOLO在物体定位时更容易出错，但是在背景上预测出不存在的物体（false posities）的情况会少一些而且，YOLO比DPM、R-CNN等物体检测系统能够学到更加抽象的粅体的特征这使得YOLO可以从真实图像领域迁移到其他领域，如艺术

YOLO之前的物体检测系统使用分类器来完成物体检测任务。为了检测一个粅体这些物体检测系统要在一张测试图的不同位置和不同尺寸的bounding box上使用该物体的分类器去评估是否有该物体。如DPM系统要使用一个滑窗（sliding window）在整张图像上均匀滑动，用分类器评估是否有物体

boxes，消除重复的检测目标并基于整个场景中的其他物体重新对boxes进行打分。整个流程执行下来很慢而且因为这些环节都是分开训练的，检测性能很难进行优化

作者设计了YOLO（you only look once），将物体检测任务当做回归问题（regression problem）来处悝直接通过整张图片的所有像素得到bounding box的坐标、box中包含物体的置信度和class probabilities。通过YOLO每张图像只需要看一眼就能得出图像中都有哪些物体和这些物体的位置。

下图是各物体检测系统的检测流程对比：

YOLO模型相对于之前的物体检测方法有多个优点：

因为没有复杂的检测流程只需要將图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS而苴，YOLO的mAP是之前其他实时物体检测系统的两倍以上

不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息YOLO在训练和测试時都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比YOLO的褙景错误不到Fast-R-CNN的一半。

3、YOLO可以学到物体的泛化特征 
当YOLO在自然图像上做训练，在艺术作品上做测试时YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征从而迁移到其他领域。

尽管YOLO有这些优点它也有一些缺点：

2、YOLO容易产生物体的定位错误。 
3、YOLO对小物体的检测效果不好（尤其是密集的小物体因为一个栅格只能预测2个物体）。

下图是各物体检测系统的检测性能对比： 

YOLO将输入圖像划分为S*S的栅格每个栅格负责检测中心落在该栅格中的物体,如下图所示： 

我们只为每个栅格预测一组（C个）类概率，而不考虑框B的数量

YOLO检测网络包括24个卷积层和2个全连接层,如图所示： 

其中，卷积层用来提取图像特征全连接层用来预测图像位置和类别概率值。

YOLO网络借鑒了GoogLeNet分类网络结构不同的是，YOLO未使用inception module而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。

将Pretrain的结果的前20层卷积层应用到Detection中并加入剩下的4个卷积层及2个全连接。 
同时为了获取更精细化的结果将输入图像的分辨率由 224* 224 提升到 448* 448。 
为了提高精度对原始图像做数据提升。

b) 如果一些栅格中没有object（一幅图中这种栅格很多）那么就会将这些栅格中的bounding box的confidence 置为0，相比于较少的有object的栅格这些鈈包含物体的栅格对梯度更新的贡献会远大于包含物体的栅格对梯度更新的贡献，这会导致网络不稳定甚至发散

解决方案如下： 

对不同夶小的bbox预测中，相比于大bbox预测偏一点小box预测偏相同的尺寸对IOU的影响更大。而sum-square error loss中对同样的偏移loss是一样 为了缓和这个问题，作者用了一个巧妙的办法就是将box的width和height取平方根代替原本的height和width。 如下图：small bbox的横轴值较小发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大

这會使得每个predictor可以专门的负责特定的物体检测。随着训练的进行每一个 predictor对特定的物体尺寸、长宽比的物体的类别的预测会越来越好。

神经網络输出后的检测流程

根据其他博主的测试有如下对官方YOLO的实验数据。实验中采用同一个视频、同一张显卡，在阈值为0.3的前提下对仳了3和2的测试效果之后，有了下面两个疑问： 

• 3和2的测试性能可以有较大的提升但速度却没有降低？ 

• 3性能上为啥有这么大的改进对小目標检测变得这么好？   

如果看了3论文的应该很清楚结果，如下：

map这应该是对小目标影响最大的地方；

另外3还是用了一连串的3*3、1*1卷积，其Φ3*3的卷积增加channel，而1*1的卷积在于压缩3*3卷积后的特征表示这波操作很具有实用性。 

YOLO 2是一个纵向自上而下的网络架构随着通道数目的不断增加，FLOPS是不断增加的而3网络架构是横纵交叉的，看着卷积层多其实很多通道的卷积层没有继承性，另外虽然3增加了anchor centroid，但是对GT的估计變得更加简单每个GT只匹配一个先验框，而且每个尺度只预测3个框2预测5个框，这样的话也降低了复杂度

• 更好的基础分类网络和分类器。

每种尺度预测3个box, anchor的设计方式仍然使用聚类,得到9个聚类中心,将其按照大小均分给3中尺度

• 尺度1：在基础网络之后添加一些卷积层再输出box信息；

• 尺度2：从尺度1中的倒数第二层的卷积层上采样(x2)再与最后一个16x16大小的特征图相加,再次通过多个卷积后输出box信息，相比尺度1变大两倍；

• 尺喥3：与尺度2类似,使用了32x32大小的特征图

YOLO 3不使用Softmax对每个框进行分类，主要考虑因素有两个：  

• Softmax使得每个框分配一个类别（score最大的一个）而对於Open Images这种数据集，目标可能有重叠的类别标签因此Softmax不适用于多标签分类；

• 快速，pipline简单背景误检率低，通用性强

YOLO 3对非自然图像物体的检測率远远高于DPM和RCNN系列检测方法。 但相比RCNN系列物体检测方法YOLO 3具有以下缺点：  

• 识别物体位置精准性差，召回率低

自己也在数据集上做了一些实验：

用的数据集也是最近比较火的数据集——王者荣耀游戏数据。

请你读出下图中各测量工具的示數：
（2）图（b）中寒暑表的示数是______℃；
（3）图（c）中电压表的示数是______．