YOLOv1目标检测一、 算法介绍YOLO是一个可以一次性预测多个bbox位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。事实上，目标检测的本质就是回归，因此一个实现回归功能的CNN并不需要复杂的设计过程。YOLO没有选择滑动窗口或提取proposal的方式训练网络，而是直接选用整幅图片来训练模型。这样做的好处在于可以更好的区分目标和背景区域。二、 原理实现2.1

因为我主要使用的是keras，所以我所要介绍的也是keras的环境，如果以后我转pytorch后再补充我的pytorch环境配置情况我的keras环境配置如下：cudatoolkit10.0.130cudnn7.6.5keras2.2.4tensorflow-gpu1.13.1python3.6.1

深度学习入门篇很多刚开始接触深度学习的小伙伴们内心常常会非常纠结，深度学习是不是很难，没有机器学习基础是不是学不起来等等。但是，我今天要说的是，没有机器学习的基础也能直接上手深度学习！！！如果是放到以前的大环境下，跳过机器学习直接进行深度学习，那必然是非常困难的，毕竟以前各类的代码集成库都不多。但是随着时间的推移，深度学习各类的代码库在不断的增加，使得我们直接进行深度学习的愿望变成了可能。当然，这

开始测试程序时，最好用Adam优化器，SGD优化器虽然到后期在参数调好的情况下会比Adam优化器效果好，但是SGD的速度慢，在初期验证是否程序能实现需求的时候，一般选Adam会好点，这样不至于速度过慢，收敛状态也不会太差。当batchsize增大时，一般也需要适当的增大学习率，但两者也不宜过大。具体调参情况，取决于你个人的经验积累和工程实践需求了。当你所跑的实验不对劲时，首先检测数据集的数据读入、

深度学习入门篇很多刚开始接触深度学习的小伙伴们内心常常会非常纠结，深度学习是不是很难，没有机器学习基础是不是学不起来等等。但是，我今天要说的是，没有机器学习的基础也能直接上手深度学习！！！如果是放到以前的大环境下，跳过机器学习直接进行深度学习，那必然是非常困难的，毕竟以前各类的代码集成库都不多。但是随着时间的推移，深度学习各类的代码库在不断的增加，使得我们直接进行深度学习的愿望变成了可能。当然，这

因为我主要使用的是keras，所以我所要介绍的也是keras的环境，如果以后我转pytorch后再补充我的pytorch环境配置情况我的keras环境配置如下：cudatoolkit10.0.130cudnn7.6.5keras2.2.4tensorflow-gpu1.13.1python3.6.1

cin和cout