目标检测YOLO系列------YOLO简介

    YOLO以及各种变体已经广泛应用于目标检测算法所涉及到的方方面面，为了梳理YOLO系列算法建立YOLO系列专题，按照自己的理解讲解YOLO中的知识点和自己的一些思考。本文是开篇之作，首先简单介绍一下YOLO算。

1、为什么会出现YOLO算法

    目标检测算法发展的相当迅速，尤其是近几年，他的发展历程大体如下：

    从2012年的AlexNet开始，目标检测算法在深度学习领域开启了狂奔模式，主要分为两种思路：One-Stage与Two-Stage（具体区别见One-Stage与Two-Stage区别）。上图中上面分支为Two-Stage的主要代表，下面分支为One-Stage代表。从本人身边做算法的人群来看，使用YOLO系列的人群远高于RCNN系列。为什么会出现YOLO算法呢？其实原因很简单，即

• Two-Stage效果确实比较好，但是运行效率太低了，达不到实时的效果；
• Two-Stage方法训练时间普遍较长；
• 绝大部分场景并不复杂，目标相对也简单；

2、YOLO算法会逐渐成为目标检测的主流吗

    YOLO算法最突出的就是速度快，当然随着其改进算法的不断涌现，精度也越来越高，但是YOLO算法会成为绝对的主流吗？

    从我的经验来看，YOLO算法的普遍使用是可以肯定的，毕竟当前是一个讲究效率的社会。但是，RCNN系列等Two-Stage算法并不会被开发者放弃，因为Two-Stage有其自身的优势。随着硬件水平的提高，谁能保证Two-Stage算法最终无法做到实时检测呢。项目的不同意味着使用场景、使用限制条件等都不同，自然使用的算法也就不同，算法是由项目决定的！

版权声明：本文为CSDN博主「gz7seven」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/guzhao9901/article/details/122948759