学yolo算法看什么书

① yolo算法是什么

Yolo是一种目标检测算法。

目标检测的任务是从图片中找出物体并给出其类别和位置，对于单张图片，输出为图片中包含的N个物体的每个物体的中心位置（x,y)、宽（w)、高（h)以及其类别。

Yolo的预测基于整个图片，一次性输出所有检测到的目标信号，包括其类别和位置。Yolo首先将图片分割为sxs个相同大小的grid。

介绍

Yolo只要求grid中识别的物体的中心必须在这个grid内（具体来说，若某个目标的中心点位于一个grid内，该grid输出该目标类别的概率为1，所有其他grid对该目标预测概率设置为0)。

实现方法：让sxs个框每个都预测出B个boungding box，bounding box有5个量，分别为物体的x,y,h,w和预测的置信度；每个grid预测B个bounding box和物体类别，类别使用one-hot表示。

② yolo算法是什么意思

Yolo是一种目标检测算法。

YOLO将对象检测重新定义为一个回归问题。它将单个卷积神经网络（CNN)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。例如，以一个100x100的图像为例。我们把它分成网格，比如7x7。

然后，对于每个网格，网络都会预测一个边界框和与每个类别（汽车，行人，交通信号灯等）相对应的概率。

重要性：

YOLO非常快。由于检测问题是一个回归问题，所以不需要复杂的管道。它比“R-CNN”快1000倍，比“Fast R-CNN”快100倍。

它能够处理实时视频流，延迟小于25毫秒。它的精度是以前实时系统的两倍多。同样重要的是，YOLO遵循的是“端到端深度学习”的实践。

③ 初学matlab中的图像处理，求大虾们推荐几本教程

//================================//分割线//================================//

2012.12.12(上海，***，周三 )

冈萨雷斯的数字图像处理（有课本和MATLAB两个版本，建议两本都买，我当初是看完课本再看MATLAB版本，MATLAB边看边上机实验，这样会带来乐趣，其实怎么说有人说两本一块看，看个人习惯了，我课本后来又看了一遍，但还是有很多地方看不懂，小波真心看不懂，还有就是如果不做编码这一块的话，第8章的图像压缩可以不看，个人认为分割和形态学两章重要，特别是分割这章），看完冈萨大牛的书然后就可以学习OPENCV（必学，这个好比你在战场上的机关枪，图像开发利器，个人看法是买老外写的翻译过来的那本，上面图中红色的那本，刘瑞祯写的本人看不习惯）C(++)语言要学好。论文要多看，跟导师有项目就做项目，进入课题，还有就是实习经验，实习项目经验，当然是做开发了，打酱油的不算，这个对找工作非常重要，还有就是小论文研二下学期差不多要投出去，到时候找工作了一堆的事在一块，没心思弄，那时候还有大论文，还有一本《图像处理、分析与机器视觉》的书很好，上面黑色的，这到后面慢慢看，加油啊。

//================================//分割线//================================//

2016.11.21(上海，阴，周一)

转眼这回答都过去四年了，上班也快四年了，依然在做图像开发，机器学习，看到又有同学点赞，所以就想再写写，写得不好多多包涵，写点工作后得到的一点个人愚见：

1、OPENCV一定要熟练，C,C++一样要熟练，MATLAB不会用没关系，工作上一般不用。

2、人工智能很火，现在大家都搞深度学习，本人还没怎么接触，是个方向，我还在搞传统的监督学习，SVM，随机森林，GBDT(传统算法GBDT在大部分数据都是最佳性能，网上大家都这么说)等等。机器学习一定要会搞，算法写不来，但一定要会用。

3、特征工程，样本工程一样重要，提取特征的算法什么HOG,LBP,GABOR,SURF等等，都是成熟的经典算法，网上资料很多。

4、反正就是多看吧，互联网方便，不懂就搜着看。

//================================//分割线//================================//

暂时就想到这些，断续上班赚首付。

//================================//分割线//================================//

2019.08.26(上海，阴，周一)

一转眼这回答又快过去三年，上班也六年半，依然在做图像开发，深度学习，这三年学到很多，认识很多，所以就想再写写，写得不好多多包涵，这三年的主要体会：

1、深度学习啊，现在没有比这个更时髦的了，caffe做图像最普遍，不过现在pytorch慢慢好像要胜出，github上最新的资源多是pytorch。

2、python啊，不必多说。

3、做为一个毕业有些年的人，这些东西都是上班后学的，没办法，不学跟不上时代——学无止境，活到老学到老！

4、我现在主要做目标检测，从早期的faster rcnn,yolov1,v3到现在的centernet，真是技术更新换代的速度比年龄增长的速度还快！三十多了，马上有35岁的年龄危机，路在何方，犹未知！

//================================//分割线//================================//

对了，提醒一句，努力重要，选择更重要，能买房早买房，我这些年最大的失败就在于买房太晚！

④ 为什么SSD目标检测算法对小目标检测的效果不好，SSD目标检测算法集成tengine里面吗

SSD目标检测算法对小目标检测的效果应该算是比较好的，理论上YOLO这种算法对小目标检测效果可能不是太好。像YOLO、FasterRCNN这些算法，它只在最后一层做anchor的话，它没有多尺度的特征，对尺度变化不敏感，而SSD是对小目标检测效果比较好的算法。

⑤ 目标有测评的功能吗

主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：（1）two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这类算法的典型代表是基于region proposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等；（2）one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO和SSD。目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进。Google在2017年开源了TensorFlow Object Detection API，并对主流的Faster R-CNN，R-FCN及SSD三个算法在MS COCO数据集上的性能做了细致对比，如下图所示。近期，Facebook的FAIR也开源了基于Caffe2的目标检测平台Detectron，其实现了最新的Mask R-CNN，RetinaNet等检测算法，并且给出了这些算法的Baseline Results 。不得不说，准确度（accuracy）和速度（speed）是一对矛盾体，如何更好地平衡它们一直是目标检测算法研究的一个重要方向。

目标检测问题同时是一个回归和分类问题。首先，为了评估定位精度，需要计算IoU（Intersection over Union，介于0到1之间），其表示预测框与真实框（ground-truth box）之间的重叠程度。IoU越高，预测框的位置越准确。因而，在评估预测框时，通常会设置一个IoU阈值（如0.5），只有当预测框与真实框的IoU值大于这个阈值时，该预测框才被认定为真阳性（True Positive, TP），反之就是假阳性（False Positive，FP）。

对于二分类，AP（Average Precision）是一个重要的指标，这是信息检索中的一个概念，基于precision-recall曲线计算出来。对于目标检测，首先要单独计算各个类别的AP值，这是评估检测效果的重要指标。取各个类别的AP的平均值，就得到一个综合指标mAP（Mean Average Precision），mAP指标可以避免某些类别比较极端化而弱化其它类别的性能这个问题。

对于目标检测，mAP一般在某个固定的IoU上计算，但是不同的IoU值会改变TP和FP的比例，从而造成mAP的差异。COCO数据集提供了官方的评估指标，它的AP是计算一系列IoU下AP的平均值，这样可以消除IoU导致的AP波动。其实对于PASCAL VOC数据集也是这样，Facebook的Detectron上的有比较清晰的实现。

除了检测准确度，目标检测算法的另外一个重要性能指标是速度，只有速度快，才能实现实时检测，这对一些应用场景极其重要。评估速度的常用指标是每秒帧率（Frame Per Second，FPS），即每秒内可以处理的图片数量。当然要对比FPS，你需要在同一硬件上进行。另外也可以使用处理一张图片所需时间来评估检测速度，时间越短，速度越快。

⑥ yolo算法识别后，在图片框上的数字代表什么

图片框上的数字代表了他出场的次数，一般来说现在他已经出场了两次了，所以说还是很有代表性的。

⑦ yolo 算法 网格的两个bounding box大小是怎么确定的

我感觉是训练出来的，输出的数据里面有bbox的x,y,w,h，然后将预测出来的x,y,w,h和真实值比较，通过反向传播修改前面神经网路的参数，经过多次迭代，就能得到理想的bbox。在测试时训练好的神经网络看到当前网格的一些信息，就能推测出应该用怎么的bbox。我刚刚也在想这个问题，突然想到这种解释，也不知道对不对。

⑧ yolo算法是什么

Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测。

首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。

相关信息：

Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图8所示。对于卷积层，主要使用1x1卷积来做channle rection，然后紧跟3x3卷积。

⑨ yolo算法是什么

YOLO (You Only Look Once)，是一个用于目标检测的网络。

目标检测任务包括确定图像中存在某些对象的位置，以及对这些对象进行分类。以前的方法，比如R-CNN和它的变种，使用一个管道在多个步骤中执行这个任务。

YOLO，只用一个神经网络就能完成。简单地说，拿一个图像作为输入，通过一个看起来像普通CNN的神经网络，就会得到一个在输出中包含边界框和类别预测的向量。

技术背景：

人们看到图像以后，可以立即识别其中的对象、它们的位置和相对位置。这使得我们能够在几乎无意识的情况下完成复杂的任务，比如开车。

因此，对汽车进行自动驾驶训练需要类似水平的反应能力和准确性。

在其最基本的形式中，这样的系统必须能够分析实时视频中的道路，并能够在继续确定路径之前检测各种类型的对象及其在现实世界中的位置，所有这些都必须是实时的

⑩ yolo算法是什么

YOLO 是一种使用神经网络提供实时对象检测的算法。该算法因其速度和准确性而广受欢迎。它已在各种应用中用于检测交通信号、人员、停车计时器和动物。

YOLO 是“You Only Look Once”一词的缩写。这是一种算法，可以（实时）检测和识别图片中的各种对象。YOLO 中的对象检测是作为回归问题完成的，并提供检测到的图像的类别概率。

YOLO 算法采用卷积神经网络 (CNN) 实时检测物体。顾名思义，该算法只需要通过神经网络进行一次前向传播来检测物体。

这意味着整个图像中的预测是在单个算法运行中完成的。CNN 用于同时预测各种类别概率和边界框。

YOLO 算法由各种变体组成。

优点

1、速度：该算法提高了检测速度，因为它可以实时预测物体。

2、高精度：YOLO 是一种预测技术，可提供准确的结果且背景误差最小。

3、学习能力：该算法具有出色的学习能力，使其能够学习对象的表示并将其应用于对象检测。