一、YOLOv1算法介绍
1、YOLOv1简介
是one-stage系列中的一种，把检测问题转化到回归上来，一个CNN即可完成检测流程。
2、算法结构
① 他的核心思想就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置以及所属的类别，YOLO最左边是一个inceptionV1网络，共20层。但作者对inceptionV1进行了改造，他没有使用inception模块，而是用一个1x1的卷积并联一个3x3的卷积来代替。inceptionV1提取出的特征图再经过4个卷积层和2个全连接层，最后生成7x7x30的输出。
② YOLO将一副448x448的原图分割成了7x7=49个网络，每个网格要预测两个bounding box的坐标（x,yw,h）和box内是否包含物体的置信度confidence（每个bounding box有一个confidence），以及物体属于20类别中每一类的概率（YOLO的训练集数据为voc2012，是个20分类的数据集）。所以一个网格对应一个（4x2+2+20）=30维的向量。
③ 7x7网格内的每个grid（红色框），对应两个大小形状不同的bounding box（黄色框）。每个box的位置为（x,y,w,h），x和y表示box中心点与该格子边界的相对值，w和h表示预测box的宽和高相对与整幅图像的宽度和高度的比例。（x,y,w,h）会限制在[0,1]之间。与训练数据集上标定的物体真实坐标（Gx，Gy，Gw，Gh）进行对比训练，每个grid负责检查中心点落在该格子的物体。这个置信度只是为了表达box有无物体的概率（类似于Faster-RCNN中的rpn层的softmax预测anchor是前景还是背景的概率），并不预测box内物体属于哪一类。
2、confidence置信度
其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0，第二项表示bounding box和真实标记的box之间的IOU，值越大则box越接近真实位置。confidence是针对bounding box的，每个网格有两个bounding box，所以每个网络会有两个confidence与之对应。
3、YOLOv1预测工作流程
① 每个格子得到两个bounding box
② 每个网格预测的class信息和bounding box预测的confidence信息相乘，得到了每个bounding box预测物体的概率和位置重叠的概率PrIoU
③ 对于每个类别，对于PrIoU进行排序，去除小于阈值的PrIoU，，然后做非极大值抑制
4、 YOLO的loss函数
5、YOLOv1缺点
① 每个cell只预测一个类别，如果重叠无法解决
② 小物体检测一般，长宽比可选但单一
二、YOLOv2算法介绍
注：此处只讲优化点
1、YOLOv2的细节优化
① Batch Normalization
V2版本舍弃了Dropout，卷积后全部加入了Batch Normalization，网络的每一层的输入都做了归一化，收敛相对更容易。从现在的角度来看，Batch Normalization已经成网络必备处理。
② 使用更大的分辨率
V1训练使用的是224x224，测试时使用448x448，可能导致模型水土不服，V2训练时额外又进行了10次448x448的微调，使用高分辨率。
③ 基于k-means来选择先验框的尺寸
faster-rcnn系列选择的先验框比例都是常规的，但是不一定完全适合数据集；
K-means聚类中的距离:
在论文中作者的K=5是最合适的，其实K越大说明每个聚类的差异越小。
④ 直接位置预测
⑤特征融合
最后一层感受野太大了，小目标可能丢失，需要融合之前的特征
⑥ 多尺度
三、YOLOv3算法介绍
1、特点：
① 对网络结构做了改进，使其更适合小目标检测
② 特征做的更细致，融入了多持续特征图信息来预测不同规格物体
③ 先验框更丰富，3个scale，每种3个规格，一共9中
④ softmax改进，预测多标签任务
2、多尺度
3、残差连接方法解读
4、整体网络模型架构分析
① 没有池化和全连接层，全部卷积
② 下采样通过stride为2实现
③ 3中scale，更多先眼眶
5、先验框设计改进
6、softmax层改进
三、拓展-DIoU边框回归loss计算
1、距离交并比
在YOLOv3中，交并比(Intersection over Union,IoU)作为衡量边界框置信度的评价指标，但是IoU存在明显的不足：无法衡量两个边界框的距离，不能反映两者的相交方式。而IoULoss仅与两框的交并比以及相交面积相关。当两框相交面积相同时，IoULoss 相等，无法给出预测框和真实框的重合度；当两框不相交时，IoU loss为零，无法优化边界框。故无法准确衡量位置信息，降低模型的性能。
故就有了距离交并比(Distance-IoU, DIoU)代替IoU 作为评价边界框位置的参数，同时使用DIoU Loss 作为边界框位置预测的损失函数。DIoU 示意图如图4 所示，其中d 为两个候选框中心点之间的距离，c 为两框最小外接矩形的对角线距离。
2、公式介绍
DIoU在IoU的基础上加入一个包含边界框和真实框的最小凸包。DIoU公式定义如下：
上式中ρ 代表两个框中心点之间的欧氏距离，b、bgt 分别代表两个候选框的中心点。c代表的是可以同时覆盖Anchor框和目标框的最小矩形的对角线距离为当两框的DIoU 值越大时，DIoU Loss 就越小。当边界框与目标框全部重合时，LDIoU = 0；当两框相距很进时，LDIoU = 2；所以能够更好地反应两框之间的重合度。DIoU Loss 公式定义如下：
利用DIoU Loss 作为损失函数，当边界框与目标框不相交的情况，仍然可以为边界框提供更准确的移动方向。由于DIoU Loss 直接限制的是两个框的距离，因此会使模型收敛很快。对于两框包含的情况，DIoU Loss 仍可以
使回归快。同时利用DIoU 代替IoU 作为评价参数，当边界框与真实框上下或左右相邻时，DIoU 能够优化不相交的边界框，保留位置更准确的边界框，提高模型对目标位置预测的精确度，使其通过非极大值抑制筛选得到的结果更加合理。