目标检测算法简单说明（自己正在学习）

目标检测是作为计算机视觉领域的核心任务之一，其主要任务就是对图像或者图像序列的物体进行分类和定位。

传统目标检测有很多弊端，比如泛化性能差，需要大量的人工去提取特征等缺点，并且由于卷积神经网络的问世，从而使更多人倾向于深度学习来发展目标检测任务。并且由此产生了一阶段目标检测（YOLO等）和二阶段目标检测（RCNN,Fast_RCNN等），二阶段检测就是先生成大量的候选框，然后通过卷积网络将候选框分类和定位出前景和背景，并得出最优的前景（目标物体）。而一阶段检测就是直接一步到位生成最好的前景（当然这是经过非极大值抑制的）。

对于二阶段目标检测，其优点是检测的精度高，但是缺点就是非常的耗时，大家可以找一些相关材料查看，对于一阶段目标检测，其优点就是速度快，但是精度低，不过随着深度学习的发展，现在的一阶段的目标检测的精度还是非常高的。

目标算法产生的时间流程

RCNN模型结构图

Fast_RCNN模型架构

Faster_RCNN模型架构

双阶段目标检测算法总结

YOLO的基本思想就是将图片输入到网络中，然后直接对图片上的物体进行分类和定位。具体来说就是将原始图片缩放到448x448（为什么是这个大小，这是因为后面的全连接层所导致只能输入这个大小的图片），并且在图片上设定SXS个网格，那么每个网格就是448/S的大小，然后输送到网络中，然后在对每个网格预测类别+目标框，由此第一个yolo算法YOLOv1就诞生了。

YOLOv1也是存在诸多的问题，因为有很多小目标无法检测到，又或者一个框里有两个物体该怎么办，由此在后面相继出现了yolov2-yolovx等算法，对主干网络，检测头等各方面进行了改变。由此也变得更加复杂。