前提
目标检测问题是在分类任务是上逐渐发展起来的，首先介绍一下两者之间的差别
-
分类任务：
一张图片往往只有一个目标，通过网络输出目标的得分，得到图像中的物体类别，常见的网络有CNN, Resnet等
-
检测任务：
一张图片包含多个目标，通过网络输出不同物体的种类和标注框(Bounding Box)，常见的网络有Fast-CNN，yolo，SSD等
Bounding Box(Bbox):一般有三种表示方法，1，(x0,y0,x1,y1),代表标注框的起点（x0，y0）和终点（x1，y1）2，（x0,y0,x1,y1,h) 代表标注框的起点（x0，y0）和中心点（x1，y1）以及高度 3， (x0,y0,w,h,alpha)代表标注框的起点，宽，高，以及旋转的相位
由于检测问题是从分类任务发展起来的，故按照分类任务的发展顺序来看网络的发展。
CNN
CNN是分类任务中常用的方法，通过网络模型加一个全连接层实现物体的预测，最终输出物体在不同类别中的得分，得分最高的类别的就是预测的物体的类别。
要想用CNN实现物体的检测，必须事先随机生成大小，形状不同的框，对图像进行裁剪，放入网络中，然后在最后的全连接层加上物体的Bbox（x0,y0,w,h）预测，通过预测的Bbox结果与真实Bbox坐标做差，计算loss，完成传递，训练。（其实就是随机裁剪图像后进行分类）
由于不确定标注框的大小，位置，这种随机生成标注框的方法无疑是十分浪费计算资源的。
R-CNN
相比CNN，R-CNN生成Bbox的方法比较高级，R就是Region proposal，找到存在物体最可能的区域，能高效的查找可能存在物体的Bbox，一般一次训练会生成2000个左右的图片去分类。（也就是把原始图片高效分成2000张大小，形状不同的图片，放到网络中进行预测。）
这种方法比直接找高效了一些，但是一次前向传递相当于2000次，效率也不是很高。
Fast R-CNN
Fast R-CNN的改动是在图像经过一次卷积之后，在Feature map上对图像进行区域划分（Region proposal）目的是减少计算量，例如一张416x416的图像，卷积之后可能变成52x52,然后再进行后续网络的预测。
Faster R-CNN
Faster R-CNN在Fast R-CNN基础上改变区域划分的规则，Faster R-CNN通过在网络中的某一处提取Feature map，通过锚点（Anchor）划分区域图像，然后继续训练。
训练过程也有所不同：
==》 区域中判断存在 object
==》 该区域对object（positive） Bbox回归
==》 输出positive object的BBox
==》 对输出的Bbox类别判断
==》 对输出的Bbox坐标回归
YOLOV1
可以看到Faster R-CNN中有了对所划分的区域中是否存在物体的判断，YOLOV1对此进行了改进，整张图片作为网络的输入，然后再Feature map直接对Bbox进行回归。
- 更改网络模型，24个卷积层，2个全连接层
- 7x7个anchors
- 每个anchor预测B个Bbox，（B=2）
- 每个Bbox包含位置（x,y,w,h）及置信度（confidence），共5个输出
- 每个anchors同时预测物体类别（C个）
- 结果输出： 7x7x（Bx5 + C）， e.g., VOC数据集（20分类）： 7x7x(10+20)
YOLOV3/4/5
YOLO发展过程中，又创新了自己的网络模型darknet53，例如yolov3在不同的层提取出不同大小的Feature map，选取合适的锚点步长，避免了一些小物体在Feature map上像素消失的问题，从而完成对小中大物体的预测，预测精度和速度都有较大的发展。