yolo-目标检测算法简介

一简单概念

机器视觉的四大任务

分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标.

检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。

定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。

分割-Segmentation：，解决“每一个像素属于哪个目标物或场景”的问题。

目标检测

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。

检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。

yolo是一种卷积神经网络结构，yolo(意思是神经网络只需要看一次图片，就能输出结果)，通过给出的物体坐标获取目标的特征信息，然后将信息存储、学习，在目标图像上找到符合的特征信息，确定目标位置。

1）目的是从一张图片中可以识别出多个不同种类的物体

2）并且用一个框将每个物体框出来并得到坐标，也可以要得到物体的尺寸，包含5个信息：物体的中心位置（x，y），物体的长和宽（h，w），以及物体的种类置信度分数(score)

yolo-应用场景

yolo系列是目标领域知名度最高的算法，其凭借出色的实时检测性能在不同的领域均有广泛应用。目前，yolo共有6个版本，yolo v1-v5和yolo vx。

yolo的预测是基于整个图片的，并且它会一次性输出所有检测到的目标信息，包括类别和位置。就好像捕鱼，yolo会将整张网撒下去，将所有的鱼都捞起来。

1）医疗领域，胃镜息肉检测、药品表面缺陷检测、CT医疗图像检测

2）安防领域，是否佩戴安全帽检测、行人检测、人员识别、明火检测

3）交通领域，车辆检测、交通标志识别、交通信号灯检测，交通状况监控

4）农业领域，病虫害检测、成熟度检测、生育期识别

yolo-简单网络结构
输入端：
Mosaic数据增强（随机裁剪拼接）
自适应锚框计算（反复更新标注框和预测框的差值）
自适应图片缩放（统一模型训练的图像宽高）

Backbone（主干网络）：
Focus结构（将图像切片、卷积得到需要的特征图）
CSP结构（采样、特征获取和组合）用于提高准确率

Neck（特征层）：

输出端：
Bounding box损失函数（计算交并比）
nms非极大值抑制（解决遮挡问题）

二模型训练

三训练注意事项

1、数据准备阶段
数据的多种多样（不重复）
图像清晰
目标准确（图像中有目标）并且目标不宜过大或者过小

2、数据标注阶段
标注框刚好框住目标
标注信息准确（标注信息一般用英文和数字）
选取的信息简单明了（特征单一）

3、模型训练阶段
标准信息、格式和训练输入是否一致（不一致进行转化）
训练的轮数输入大小（影响到最终结果和时间）
超参数的设置

4、模型测试阶段
正负样本检测
测试数据的多样和量多

训练常用超参数

*超参数 *：

定义关于模型的更高层次的概念，如复杂性或学习能力。
不能直接从标准模型培训过程中的数据中学习，需要预先定义。
可以通过设置不同的值，训练不同的模型和选择更好的测试值来决定

常用超参数：

1.学习率：是指在优化算法中更新网络权重的幅度大小，也叫做步长
2.权重初始化：第一种是采用均匀分布的方法初始化各层网络的权重,自己从头开始训练网络模型.
第二种是采用该模型之前已经训练好的权重作为训练的初始值
3.优化器：通过什么算法去优化网络模型的参数，常用的优化器就是梯度下降
4.批次大小：每一次训练神经网络送入模型的样本数，在卷积神经网络中，大批次通常可使网络更快收敛，
但由于内存资源的限制，批次过大可能会导致内存不够用或程序内核崩溃
5.迭代次数：指整个训练集输入到神经网络进行训练的次数
6.激活函数：激活函数是给神经网络加入一些非线性因素，使得网络可以更好地解决较为复杂的问题。
类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容