目标检测论文模型笔记 | YOLO系列

YOLOv1的核心思想：

• YOLOv1：使用整张图作为输入，直接在输出层回归bounding box和类别；（one-stage）
• Faster RCNN：使用用整张图作为输入，但整体采用了RCNN： proposal+classifition&reg的思想。（two-stage）

Confidence Score

confidence score（置信度得分）是一个重要的概念，用于表示模型对检测到的目标的置信程度。这个得分基于两个主要因素的乘积：

• 对象存在的概率：这是模型预测当前检测框内存在任何对象的概率。如果模型非常确定一个框内包含某个对象，这个概率就会很高。
• 边界框预测的准确性：这是模型预测的边界框与实际对象边界框的匹配程度。这通常通过IOU（Intersection Over Union，交并比）来衡量，即预测的边界框与真实边界框的交集与并集的比例。IOU越高，意味着预测的边界框与真实边界框越接近，因此置信度得分也会越高。

        在实际应用中，YOLO还会为每个检测到的对象分配一个类别概率。最终的得分是置信度得分和类别概率的乘积，这样可以得到模型对于检测到的对象属于特定类别的总体置信度。