图片和部分文字内容来自互联网，对于未标注出处的内容，若有侵权请联系作者删除
1. Yolov1
1.1 网络结构
（1）整体网络修改了GoogleNet，输入图像为448*448
（2）卷积得到7*7*1024（提取特征），过全连接4096（预测概率与坐标）,全连接1470*1，reshape得到7*7*30
7*7*30的含义:每个grid cell对应5+5+20，其中x、y是中心点位置(对应gridcell的比例归一化)，w、h是宽高（相对原图宽高归一化的值，confidence是bbox包含物体的概率：不包含则是0，包含则是iou值，或者说 pr(object)*iou，希望靠近1*iou，如果标注的物体gt中心落在gridcell里，则该gridcell负责预测这个物体）
注意：confidence是bbox包含物体的概率，没有说类别，一共7*7*2个bbox，每个bbox的confidence会分别和20个类别预测结果相乘，得到的才是包含某类物体的概率score。
20*(7*7*2)的矩阵中，每一行是同一个类别，需要做nms（先按score排序，再按阈值剔除一些bbox），再按列找，对每个bbox找到score最高的类别，作为他预测的物体类别）
（3）损失函数
(3.1）位置损失：gt包含物体时才需要计算位置损失，且令其系数大一些
①中心坐标(x,y)的平方和损失
②宽高(w,h)开根号后再求平方和损失:拉开差距，例如原来w=10，h=20，预测出来w=8，h=22，跟原来w=3，h=5，预测出来w1，h=7相比，其实前者的误差要比后者小，但是如果不加开根号，那么损失都是一样：4+4=8，但是加上根号后，变成0.15和0.7。
(3.2) Bbox的confidence的平方和损失：由于正负样本不均衡，于是在gt不包含物体时，减小系数。
(3.3) 类别平方和损失：只在包含物体时算。
（4）测试时：需要confidence*cls得到最终的confidence score。
1.2 缺点
①对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
②测试图像中，当同一类物体出现的不常见的长宽比和其他情况时泛化能力偏弱。
2.Yolo9000
采用了DarkNet19,主要与yolov1做对比，原文中采用了better,faster,stronger三个形容词。
Better
（1）bn：加了bn当然收敛快又好
（2）预训练：yolov1是224*224的低分辨率上训，检测时再转换为448*448，不仅切换为检测算法也改变了分辨率；yolo9000直接用448*448的输入先在ImageNet上训练，提高分辨率, 让网络有足够的时间调整filter去适应高分辨率的输入。然后fine tune为检测网络
（3）不用全连接，改用anchor boxes：yolov1的全连接直接reshape会丢失空间信息，所以借鉴了Faster R-CNN中的anchor思想：直接在卷积特征图上滑动窗口采样，每个中心预测9种不同大小和比例的建议框，由于都是卷积不需要reshape，很好的保留的空间信息，最终特征图的每个特征点和原图的每个cell一一对应；且预测偏移量代替直接预测坐标。
具体做法：
- 去掉最后的池化层确保输出的卷积特征图有更高的分辨率。
- 缩减网络，让图片输入分辨率为416 * 416，目的是让后面产生的卷积特征图宽高都为奇数，这样就可以产生一个center cell。因为作者观察到，大物体通常占据了图像的中间位置，可以只用一个中心的cell来预测这些物体的位置，否则就要用中间的4个cell来进行预测，这个技巧可稍稍提升效率。
- 使用卷积层降采样（factor 为32），使得输入卷积网络的416 * 416图片最终得到13 * 13的卷积特征图（416/32=13）。
- 把预测类别的机制从空间位置(cell)中解耦，不再让类别的预测与每个cell（空间位置）绑定一起，而是让全部放到anchor box中，示意图如下：
加入了anchor boxes后，可以预料到的结果是召回率上升，准确率下降。我们来计算一下，假设每个cell预测9个建议框，那么总共会预测13 * 13 * 9 = 1521个boxes，而之前的网络仅仅预测7 * 7 * 2 = 98个boxes。具体数据为：没有anchor boxes，模型recall为81%，mAP为69.5%；加入anchor boxes，模型recall为88%，mAP为69.2%。这样看来，准确率只有小幅度的下降，而召回率则提升了7%，说明可以通过进一步的工作来加强准确率，的确有改进空间。
(4) 纬度聚类：对数据集中的ground truth box做聚类，找到ground truth box的统计规律=>以聚类个数k为anchor boxs个数，以k个聚类中心box的宽高维度为anchor box的维度。
上面左图： 随着k的增大，IOU也在增大（高召回率），但是复杂度也在增加。所以平衡复杂度和IOU之后，最终得到k值为5。上面右图：5聚类的中心与手动精选的boxes是完全不同的，扁长的框较少瘦高的框较多。
（5）位置预测：
这个公式没有任何限制，使得无论在什么位置进行预测，任何anchor boxes可以在图像中任意一点结束（也就是tx 没有数值限定，可能会出现anchor检测很远的目标box的情况，效率比较低，正确做法应该是每一个anchor只负责检测周围正负一个单位以内的目标box），作者就没有采用预测直接的offset的方法，而使用了预测相对于grid cell的坐标位置的办法，把ground truth限制在了0到1之间，利用logistic回归函数来进行这一限制。
最终形式：
Yolov3
新的网络结构DarkNet-53
利用多尺度特征进行对象检测
9种尺度的先验框
对象分类softmax改成logistic
预测对象类别时不使用softmax，改成使用logistic的输出进行预测。这样能够支持多标签对象（比如一个人有Woman 和 Person两个标签）。
