物体检测经典算法实战(yolo,detr,deformableDetr,efficientNet，efficientDet)

一.深度学习经典检测方法概述

(1)深度学习经典检测方法包括two-stage（两阶段）与one-stage（单阶段）

two-stage（两阶段）：faster-rcnn或mask-rcnn系列。它是通过中间先检测出结果(预选)，再从这个中间结果中取最优的结果，最近比较少用了。

one-stage（单阶段）：yolo系列。它这边就是直接按一个算法得到结论(例如一个cnn网络就得到回归结果即可)。优势：速度非常快，适合做适时检测任务。缺点: 效果通常情况下不会太好。性能评估指标有 AP、mAP、Precision(精度)、Recall(召回率)、FPS、IoU、混淆矩阵、F1等。

目标检测领域中，处理速度和准确度是两个重要的性能指标。例在实时检测时，FPS这个指标很重要，FPS是Frames Per Second缩写，即每秒帧率(每秒可以处理的图片数量）。又例如IoU全称为Intersection over Union，表示交集与并集的比。IoU值越大，表示两个框(真实框与预测框)之间的相似性越高。这个指标常用于评估模型在特定数据集上的检测准确度。mAP就是Mean Average Precision的缩写，意思是在多个类别上的平均精度(综合衡量检测效果)，例如mAP50-95：这是一个更严格的评价指标，它计算了在50-95%的IoU阈值范围内的mAP值，然后取平均,这能够更准确地评估模型在不同IoU阈值下的性能。所以说在检测任务中FPS表示速度，mAP值表示精确度(比IoU更准)，这二个指标非常重要。

Recall(召回率):评估模型能够找出所有真实正样本的比例,有时候找不到，有时候能找到,所以这个指标主要看能否预测到这个目标先

Precision(精度)：评估模型预测正确的正样本的比例

(2)IOU指标计算

IOU是两个框的交集与并集之间的比值

(3)Precision(精度)与Recall(召回率)的计算

Precision=TP/(TP+FP)

Recall=TP/(TP+FN)

这二个指标的第一个字母构成P-R数据，可画出P-R图。

其中TP是true positives的缩写，意为True是做对了，positives判断为正类。 FP是false positives的缩写，意为false是做错了，positives但判断为正类。FN是false negatives的缩写，TN是true negatives的缩写。

例如：

已经条件:班级总人数100人,其中男生80人,女生20人

目标:找出所有的女生

结果：从班级中选择了50人,其中20人是女生，还错误的把30名男生挑选出来了

所以本例的结果TP=20,FP=30,FN=0,TN=50

（4）map指标计算

1)置信度:就是说检查某样东西，它的可能性有多大的意思。例如有0.9，0.8,0.7

例如有检测三张人脸图片时,他的三个检测的置信值分别是0.9,0.8,0.7，当0.9时，0.8与0.7二张图片过滤掉了。所以现在 TP=1;FN=2;TP+FP=1;Precision=1/1;Recall=1/3,其中FN例如就是本来他是人脸的,但检测出成背景来(即正确<本身是人脸的>的判断成负类)。

2)MAP:在所有置信阀值情况下,求出所有类别的平均。P-R图就是按召回率(例如X轴)，精度值(例如Y轴)画出来。MAP值就是按最高点值连接起来围成的面积，当然围成的是长方形那种，那map就等以1了,这个效果就最好了。MAP就是在所有置信阀值情况下,得到所有P,R值的情况。

二.YOLO-V1整体思想与网络架构

（1）YOLO算法整体思路解读

YOLO是YOU ONLY LOOK ONCE的缩写，它是把检测问题转化成回归问题，一个CNN就搞定了。它可以对视频进行实时检测，应用领域非常广。回归最后把预测出的特征图转成几个值，如起始位置,长,宽，高的值预测出来，就可以把它画出来了。

（2）YOLO-V1的核心思想

求解：在一张图像中有那些物体？假设一张长宽为7*7的图像中有一只狗与单车，这个图像由很多个小方格组成，那我交给谁来预测出这二样物体呢？求解：观