极本穷源：YOLO篇Ⅰ

• 总听到神经网络
  • 什么是神经网络？ 1.1.1 什么是神经网络 - 床长人工智能教程 (captainbed.net)
    • 人工神经网络是受到人类大脑结构的启发而创造出来的，这也是它能拥有真智能的根本原因。在我们的大脑中，有数十亿个称为神经元的细胞，它们连接成了一个神经网络。
    • 层数越多那么构造的神经网络就越复杂，训练深度神经网络的过程就叫做深度学习
  • AI”炼丹”是啥
    • 深度学习就像炼丹，没啥理论，纯靠实验，要有很多比较好的显卡等设备，动不动就要训练好几天的数据模型。
  • 这段时间在学习YOLO算法，相信很多小伙伴和我一样，机器学习深度学习，傻傻分不清楚。
  • 遇到这种情况怎么说，旋即打开浏览器搜索“机器学习”，wdnmd,“学习”居然分了这么多的类：机器学习、监督学习、非监督学习、强化学习、迁移学习、深度学习（DNN、CNN、RNN、LSTM、GAN）。脑瓜子嗡嗡的，这种感觉就像…“马肾么妹，马冬梅啊，大爷！”。世上无难事，只要肯放弃。从入门到放弃只需轻轻一点，关闭浏览器冷静一下。
  • 重新来会会这些“牛鬼蛇神”，一张图了解下它们的关系
    • 传统机器学习的模型结构
      • 线性回归
      • 逻辑回归
      • 决策树
      • 支持向量机
      • 贝叶斯模型
      • 正则化模型
      • 集成模型
      • 神经网络
    • 机器学习
      • 监督学习
      • 非监督学习
      • 强化学习
      • 迁移学习
      • 深度学习
        • DNN（深度神经网络）网络拓扑结构分类
          • RNN（递归神经网络）
          • LSTM（长期短期记忆网络）
          • GAN（生成对抗网络）
          • CNN（卷积神经网络） 以卷积为核心的一大类网络 CNN、RCNN、YOLO等和Alexnet、VGG等的关系是什么？ - 知乎 (zhihu.com)
            • 图像分类
              • LeNet、AlexNet、VGG、GoogleNet、ResNet
            • 目标检测
              • RCNN、Fast RCNN、Faster RCNN、SSD、Mask-RCNN
              • YOLO
    • 千呼万唤始出来，“YOLO”与机器学习的关系可谓是千丝万缕。
    • 语义分割与实例分割
    • 图像分类、目标检测、语义分割、实例分割和全景分割的区别
      • 全景分割 （全景分割是语义分割和实例分割的结合。跟实例分割不同的是：实例分割只对图像中的object进行检测，并对检测到的object进行分割，而全景分割是对图中的所有物体包括背景都要进行检测和分割。）
        • 语义分割 通常意义上的目标分割指的就是语义分割 语义分割（下图左）就是需要区分到图中每一点像素点，而不仅仅是矩形框框住了。但是同一物体的不同实例不需要单独分割出来。对下图左，标注为人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5等。
        • 实例分割 实例分割：其实就是目标检测和语义分割的结合。相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割需要标注出图上同一物体的不同个体（羊1，羊2，羊3…） 目前常用的实例分割算法是Mask R-CNN。
          • 目标检测 目前常用的目标检测算法有Faster R-CNN和基于YOLO的目标检测的算法
          • 图像分类 图像分类：就是对图像判断出所属的分类，比如在学习分类中数据集有人（person）、羊（sheep）、狗（dog）和猫（cat）四种，图像分类要求给定一个图片输出图片里含有哪些分类，比如下图的例子是含有person、sheep和dog三种。
  • 揭开“YOLO”的神秘面纱
  • 从2018年Yolov3年提出的两年后，在原作者声名放弃更新Yolo算法后，俄罗斯的Alexey大神扛起了Yolov4的大旗，然后不久又出现了Yolov5,而到了2021年，就在大家质疑Yolo系列该如何改进时？旷视科技又发布了Yolox算法，感兴趣的可以参考这篇博客了解。
  • 2020年2月份YOLO之父Joseph Redmon宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。
  • 没想到的是, 2020年4月份曾经参与YOLO项目维护Alexey Bochkovskiy带着论文《Optimal Speed and Accuracy of Object Detection》和代码在Github上重磅开源！YOLOv4正式发布！
  • 令我们更没想到的是！！！2020年6月份，短短两个月！Ultralytics LLC 公司的创始人兼 CEO Glenn Jocher 在 GitHub 上发布了 YOLOv5 的一个开源实现，标志着YOLOv5的到来！
• 现如今的YOLO算法在各位大佬的神奇改造下，在保持算法准确性的前提下轻量化网络模型，使其能够部署到像树莓派、RK3399等低算力的设备上并得到比较不错的检测速度与准度。
• 那么这些大佬们平时在自己的岗位上都需要干些啥呢？
  • 1.基于提出需求设计组合算法即策略解决问题，不限于深度学习，传统视觉，算法策略，大部分需求都是组合算法解决的，例如检测分类姿态等多模态模型组合并配合一些传统算法解决问题(pytorch/caffe opencv)
  • 2.训练数据采集方案的设计，标注规则的指定以及数据审核
  • 3.快速实现算法demo并验证算法逻辑策略部分以及评估自测(Python)
  • 4.模型实际部署平台的性能资源占用和效率评估，评估ok走下一步，否则返回3步骤针对优化验证，
  • 4.基于c/c++完成算法sdk库开发，其中涉及到模型多平台移植部署(涉及到后端nn推理框架的选用，前后处理部分代码的编写)，代码高性能优化(simd cuda openc,openmpl…)
  • 5.算法库文档编写，外发sdk库 (…..算法岗不是调参侠)机器学习算法工程师都要干些啥
• 那么YOLO是如何实现目标的识别检测？下一篇接着总结！