YOLO v1之總結篇（linux+windows）
論文解讀篇：
YOLO出自2016 CVPR You Only Look Once:Unified, Real-Time Object Detection，也是一個非常值得學習的框架，不得不說facebook的技術就是牛啊。
整個訓練和檢測框架都是端到端，YOLO達到了45幀每秒，Fast YOLO達到了155幀每秒，除了剛開始載入模型有點慢，檢測部分確實是非常的快。
整個檢測過程分為3個階段，
（1）將影象縮放到448*448
（2）通過神經網格進行檢測和分類
（3）NMS抑制，輸出最終結果
該模型首先，將輸入的影象分為S*S個grid，然後每個grid產生B個預測邊界框（包括，x,y,windth,height,confidence）和C類判別屬性，最終將輸出S*S*(B*5+C)維度的向量。
在VOC上訓練中，S=7，B=2，C=20，最終輸出7*7*（2*5+20）維度的資訊。
YOLO包含24個卷基層，2個全連線層，FastYOLO只包含9個卷基層，因此速度快很多，當然代價就是精度也相應的有損失。
YOLO的損失函式，權衡了邊界框的損失和類別判斷的損失，使得邊界框的損失是類別判斷損失的10倍，同時兼顧了大的邊界框和小的邊界框的IOU偏差，使得同樣的損失在大框中表現出很小的影響，小框中則變現出很大的影響。
其中，
λcoord =5 ，
λnoobj =0.5，
1obji 表示是否物體出現在gridcell i中，
1objij表示grid cell i中的第j個邊界框預測到了正確類別。
訓練過程資料：
epoch:135
batch size:64
momentum:0.9
decay:0.0005
learning rate:前75為0.01，中間30為0.001，最後30為0.0001
dropout layer rate:0.5
YOLO的優勢在於，外圍庫的依賴少，純c和CUDA寫成，唯一的依賴就是pthreads，不像caffe那樣需要一堆的dll。當然，缺點就是，訓練的模型檔案太大，750多M，2G視訊記憶體的電腦直接掛掉，tiny-yolo雖然小，但是效果卻大打折扣。另一個缺點就是由於其自身結構的設計，使得對聚集，堆疊的物體檢測不是很好，當然，fast RCNN，ssd等在這點上也沒有變現出不俗的效果。就YOLO v1的速度和識別率來看，還是比SSD差點。當然所有的這些都在YOLO v2中得到了大大的改善。
linux篇：
安裝步驟：
git clonehttps://github.com/pjreddie/darknet.git
cd darknet
vim Makefile
修改GPU=1 OPENCV=1
make -j8
wgethttp://pjreddie.com/media/files/yolov1.weights
./darknetyolo test cfg/yolov1/yolo.cfg yolov1.weights data/dog.jpg
注意這裡，yolov1.weights，官網現在給的是753M的，實際上我用這個沒有跑出結果，用了小夥伴的780多M的成功跑出了上面的結果，就這一個地方，折騰了一下午，換了不同機器測試過，也是被官網坑了啊。如果不對之處，還請大神斧正。
至此，YOLOv1就安裝完畢，又可以愉快的玩耍了。
windows篇：
由於原版的官方YOLOv1是隻支援linux 和mac的，如果要自己修改，可能需要走好對哦的坑，同時還得具備一定的技術水平，幸好有革命鬥士為我們走出了這一步，
可以參考下面2個YOLO-windows，
隨便下載上面的一個yolo，然後進入yolo-windows-master\build\darknet\下面，用vs2013直接開啟darknet.sln，選擇，x64版本，只要配置opencv和pthreads就可以，
為了方便大家參考，這裡貼出本人的環境配置，
vc++目錄，可執行檔案，
E:\opencv2_4_12\build\x64\vc12\bin;
G:\yolo-windows-master\3rdparty\dll\x64;
vc++目錄，包含目錄，
E:\opencv2_4_12\build\include;
E:\opencv2_4_12\build\include\opencv;
E:\opencv2_4_12\build\include\opencv2;
G:\yolo-windows-master\3rdparty\include;
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include（GPU版本加）
vc++目錄，庫目錄，
E:\opencv2_4_12\build\x64\vc12\lib;
G:\yolo-windows-master\3rdparty\lib\x64;
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64（GPU版本加）
連結器，輸入，下面為release的輸入，debug只將opencv的lib換成相應debug即可。
pthreadVC2.lib;
opencv_calib3d2412.lib;
opencv_contrib2412.lib;
opencv_core2412.lib;
opencv_features2d2412.lib;
opencv_flann2412.lib;
opencv_gpu2412.lib;
opencv_highgui2412.lib;
opencv_imgproc2412.lib;
opencv_legacy2412.lib;
opencv_ml2412.lib;
opencv_objdetect2412.lib;
opencv_ts2412.lib;
opencv_video2412.lib;
cublas.lib（GPU版本加）
curand.lib（GPU版本加）
cudart.lib（GPU版本加）
c/c++，前處理器
_CRT_SECURE_NO_WARNINGS
OPENCV
GPU（GPU版本加）
環境配好，點選生成就可以，
debug版本的生成資訊，
release版本的生成資訊，
進入，yolo-windows-master\build\darknet\x64\Release\下面，
然後執行，darknet.cmd，隨便輸入一張影象，例如，person.jpg，就會出來執行效果。
其中第一個為cpu+debug版本，第二個為cpu+release版本，
references：