前提
目标檢測問題是在分類任務是上逐漸發展起來的，首先介紹一下兩者之間的差别
-
分類任務：
一張圖檔往往隻有一個目标，通過網絡輸出目标的得分，得到圖像中的物體類别，常見的網絡有CNN, Resnet等
-
檢測任務：
一張圖檔包含多個目标，通過網絡輸出不同物體的種類和标注框(Bounding Box)，常見的網絡有Fast-CNN，yolo，SSD等
Bounding Box(Bbox):一般有三種表示方法，1，(x0,y0,x1,y1),代表标注框的起點（x0，y0）和終點（x1，y1）2，（x0,y0,x1,y1,h) 代表标注框的起點（x0，y0）和中心點（x1，y1）以及高度 3， (x0,y0,w,h,alpha)代表标注框的起點，寬，高，以及旋轉的相位
由于檢測問題是從分類任務發展起來的，故按照分類任務的發展順序來看網絡的發展。
CNN
CNN是分類任務中常用的方法，通過網絡模型加一個全連接配接層實作物體的預測，最終輸出物體在不同類别中的得分，得分最高的類别的就是預測的物體的類别。
要想用CNN實作物體的檢測，必須事先随機生成大小，形狀不同的框，對圖像進行裁剪，放入網絡中，然後在最後的全連接配接層加上物體的Bbox（x0,y0,w,h）預測，通過預測的Bbox結果與真實Bbox坐标做差，計算loss，完成傳遞，訓練。（其實就是随機裁剪圖像後進行分類）
由于不确定标注框的大小，位置，這種随機生成标注框的方法無疑是十分浪費計算資源的。
R-CNN
相比CNN，R-CNN生成Bbox的方法比較進階，R就是Region proposal，找到存在物體最可能的區域，能高效的查找可能存在物體的Bbox，一般一次訓練會生成2000個左右的圖檔去分類。（也就是把原始圖檔高效分成2000張大小，形狀不同的圖檔，放到網絡中進行預測。）
這種方法比直接找高效了一些，但是一次前向傳遞相當于2000次，效率也不是很高。
Fast R-CNN
Fast R-CNN的改動是在圖像經過一次卷積之後，在Feature map上對圖像進行區域劃分（Region proposal）目的是減少計算量，例如一張416x416的圖像，卷積之後可能變成52x52,然後再進行後續網絡的預測。
Faster R-CNN
Faster R-CNN在Fast R-CNN基礎上改變區域劃分的規則，Faster R-CNN通過在網絡中的某一處提取Feature map，通過錨點（Anchor）劃分區域圖像，然後繼續訓練。
訓練過程也有所不同：
==》 區域中判斷存在 object
==》 該區域對object（positive） Bbox回歸
==》 輸出positive object的BBox
==》 對輸出的Bbox類别判斷
==》 對輸出的Bbox坐标回歸
YOLOV1
可以看到Faster R-CNN中有了對所劃分的區域中是否存在物體的判斷，YOLOV1對此進行了改進，整張圖檔作為網絡的輸入，然後再Feature map直接對Bbox進行回歸。
- 更改網絡模型，24個卷積層，2個全連接配接層
- 7x7個anchors
- 每個anchor預測B個Bbox，（B=2）
- 每個Bbox包含位置（x,y,w,h）及置信度（confidence），共5個輸出
- 每個anchors同時預測物體類别（C個）
- 結果輸出： 7x7x（Bx5 + C）， e.g., VOC資料集（20分類）： 7x7x(10+20)
YOLOV3/4/5
YOLO發展過程中，又創新了自己的網絡模型darknet53，例如yolov3在不同的層提取出不同大小的Feature map，選取合适的錨點步長，避免了一些小物體在Feature map上像素消失的問題，進而完成對小中大物體的預測，預測精度和速度都有較大的發展。