一、了解图像分类、目标检测、语义分割及实例分割的区别：

图像分类：输入图像输出类别。如上图（a）所示。

目标检测：输入图像输出图像中每一个物体的类别。能把每个物体的矩形框画出来，并对每个物体做分类。如上图（b）所示。

语义分割：对每一个像素分类，不管这几个像素是属于哪几个物体，只在意它属于什么类别。能把每个像素类别输出来，不区分不同物体的像素。例如，上图（c）中同类别的物体像素相同，所有cube都归为一个类别。

实例分割：要把同一个类别的不同实力给它区分出来。把同一类别不同物体的像素也区分出来了。例如，上图（d）中每一个cube都被区分出来了。

二、YoLov1的提出背景及原因（用来做什么的）？

‌YOLOv1的提出背景是为了解决传统目标检测算法计算时间长、无法实现实时处理的问题。‌ 在YoLov1提出之前，目标检测方法主要采用基于RCNN、Fast R-CNN等深度学习算法，这些方法虽然精度较高，但需要耗费很长时间进行计算，因此无法实现实时处理‌。在之前 two-stage 方法中，例如 R-CNN 把检测问题分成两部分，先生成候选区域（region proposal），再用分类器对区域分类，多阶段训练导致不易优化。而YoLov1无需提取候选区域，也无复杂的上下游处理工作，一次向前推得到bounding box定位及分类结果，实现端到端的训练优化。

三、YoLov1的工作原理（流程）：

1、预测阶段（向前推断）：

（深度卷积神经网络）

输入448×448的rgb图片，先经过24层卷积层提取图像特征，再经过2层全连接层回归得到7×7×30的tensor，相当于30个通道的7×7的特征图。

每个grid cell包含两个bounding box和20个类别概率，每个bounding box又包含了中心点坐标(x,y)宽度和高度（w,h）以及对应的置信度。

置信度的计算：根据原论文可以理解为预测目标和真实目标之间的交并比。

2、预测阶段（后处理）：

以一个grid cell 为例，每个grid cell 包含了2组{x,y,w,h,c}和20个分类概率。

每个grid cell 对应两个框框。

将每个bounding box的置信度与后面的20个分类概率相乘得到一列20×1的第一个bounding box对应的完整类别概率。

第二个bounding box也做同样操作，由此可知一个grid cell可以得到两列完整类别概率。

由上述知，论文中用的是7×7的网格，有49个grid cell，故得到下图49×2=98个完整的分类概率列。每一行对应一个物种类别，如图，第一行对应的是狗的类别概率。

以狗的类别概率为例，IoU设置为0.5，两两依次进行交并比，若小于0.5则概率改为0，否则不变。

最终会得到一系列的数字，以最大值为准，选出对应类别。

3、训练阶段（反向传播）

训练阶段，Ground Truth的中心点落在哪个grid cell里，那个grid cell就应该负责检测这个物体，检测这个物体的bounding box就应该由这个grid cell生成。

一个grid cell 中有两个bounding box且两个bounding box的中心点都在grid cell中的话，就选择IoU交并比大的来拟合该物体。

四、YoLov1的核心技术以及分别解决了什么问题？

1、单次回归模型：将目标检测简化为单一的回归问题，直接从图像预测目标类别和位置，解决了传统检测器中多阶段处理的复杂性，提升了检测速度。

2、全图像预测：YoLov1在整个图像上进行预测，捕捉全局上下文信息，减少了背景误检问题，并提升了模型的泛化能力。

3、固定网格划分：将图像划分为 7×7 的固定网格，每个网格负责预测目标，简化了区域提议过程，但也带来了小物体检测和边界框精度较低的问题。

4、非极大值抑制（NMS）：用于去除重复预测框，保留置信度最高的框，解决了多重检测问题。

五、YoLo V1有什么优点？

1、快：可以实现实时的目标检测。

YoLov1之所以快，是因为它将目标检测简化为一个单一的回归问题，直接通过整个图像进行端到端的预测，从而大幅减少了计算量并实现了实时检测。

2、一次读取整张图片，能够捕获全图上下文信息。

3、迁移泛化能力好。

因为它在整个图像上进行全局预测，使模型能够捕捉更广泛的上下文信息，从而提升在不同数据集和场景中的泛化性能。

六、YoLov1有什么不足？

1、准确率较低。YoLov1 准确率较低的主要原因在于其固定网格划分、小物体检测不准、缺乏多尺度处理以及定位和分类的损失权衡不佳。

2、定位能力和小目标的识别性能上较差。每个grid cell只能预测出一个类别，模型空间限制了能预测的物体个数，对小的密集物体不友好。

3、分类正确但定位误差大。损失函数对大小框是同等对待的，对大框来说较小的误差还好，对小框来说就会显得误差比较大，即会导致小框一小点误差就对IoU有很大的影响。

七、与其他检测系统的比较：

1、Deformable parts models（DPM）：

DPM 采用多阶段处理（特征提取、分类、边界框回归等），导致整体检测流程复杂且速度较慢，无法实现实时检测。

YoLov1通过单一的卷积神经网络同时进行特征提取、边界框预测和非极大值抑制，整体模型更快且更准确

2、R-CNN：

R-CNN 的处理速度非常慢，因为它首先生成区域提议（候选区域），然后对每个提议进行卷积特征提取和分类，整个流程冗长且计算量大，不适合实时应用。

YoLov1将这些独立的步骤整合为一个单一的神经网络，优化了速度，但牺牲了部分精度，尤其在定位小目标时表现较差​。

YoLo 和 R-CNN的相似性：

YoLov1的每个网格单元也提出潜在的边界框，并基于卷积特征进行评分，但其网格设计施加了空间约束，从而减少了对同一目标的多重检测​

3、Fast Detectors Fast and Faster R-CNN：

Fast R-CNN 和 Faster R-CNN 通过共享卷积计算和使用神经网络进行区域提议提高了速度，但依然未能达到实时性能。相比之下，YoLov1通过简化检测管道，实现了更高的实时性​。

4、Deep MultiBox：

MultiBox 的检测方式仍依赖于后续的分类步骤，这增加了系统的复杂性，并且由于缺乏全局信息，难以精确检测复杂背景下的目标。

YoLov1则是一体化的检测系统，独立完成整个检测任务。

5、OverFeat：

OverFeat 采用滑动窗口的方式进行目标检测，这种方法虽然提升了定位精度，但计算开销大，并且由于窗口机制无法利用全局上下文信息，容易受到背景干扰。

YoLov1则在预测过程中考虑了整个图像的全局信息，减少了背景误检。

6、MultiGrasp：

MultiGrasp 主要专注于单一目标（可抓取区域）的检测，对于多类别、多目标场景难以适应，且系统的泛化能力较弱。

YoLov1的网格框架设计借鉴了 MultiGrasp 系统，但相比于仅需要预测单个可抓取区域的 MultiGrasp，YoLov1 需要同时预测多个类别和物体的边界框和类别​。

八、与其他实时系统的比较：

1、速度：YoLov1由于将目标检测简化为单个神经网络回归问题，能够在全图像上一次性完成所有目标的预测，因此比使用滑动窗口或区域提议方法的检测系统（如DPM和R-CNN）快得多。YoLo v1的基本模型可以达到45 FPS，而Fast YOLO甚至可以达到155 FPS，显著超越了其他实时检测系统​。

2、准确率：尽管YoLov1在速度上占据优势，但其定位精度低于R-CNN等模型，尤其是在处理小物体时表现不佳。不过，YoLov1在背景误检率（false positives）上表现更好，特别是在检测复杂背景的图像时。

3、结构简化：与R-CNN复杂的多步骤处理（区域提议、特征提取、分类、后处理等）相比，YoLo v1采用了单一的卷积神经网络架构，不需要单独训练不同的模块，这使得YoLov1更容易优化，并实现了端到端的检测系统。

模型集成：

九、知识补充：

目标检测的发展：

参考视频：YOLOV1论文精读：You only look once: Unified, real-time object detection_哔哩哔哩_bilibili