论文解读篇：


YOLO出自2016 CVPR You Only Look Once:Unified, Real-Time Object Detection，也是一个非常值得学习的框架，不得不说facebook的技术就是牛啊。


整个训练和检测框架都是端到端，YOLO达到了45帧每秒，Fast YOLO达到了155帧每秒，除了刚开始加载模型有点慢，检测部分确实是非常的快。


         整个检测过程分为3个阶段，


（1）将图像缩放到448_448


（2）通过神经网格进行检测和分类


（3）NMS抑制，输出最终结果


该模型首先，将输入的图像分为S_S个grid，然后每个grid产生B个预测边界框（包括，x,y,windth,height,confidence）和C类判别属性，最终将输出S_S_(B_5+C)维度的向量。



         在VOC上训练中，S=7，B=2，C=20，最终输出7_7_（2_5+20）维度的信息。


YOLO包含24个卷基层，2个全连接层，FastYOLO只包含9个卷基层，因此速度快很多，当然代价就是精度也相应的有损失。


         YOLO V1的所有损失函数的loss都是采用的L2 loss，包括边框中心坐标x,y，宽高w，h。边框的得分c，分类的得分p。


并且权衡了边界框的损失和类别判断的损失，使得边界框的损失是类别判断损失的10倍，即λcoord。使得更多的loss用来优化边框的回归。


同时兼顾了大的边界框和小的边界框的IOU偏差，使得同样的损失在大框中表现出很小的影响，小框中则变现出很大的影响。即使用了sqrt形式的w，h的L2 loss。


其中，


λcoord =5 ，


λnoobj =0.5，


1obji 表示是否物体出现在gridcell i中，


1objij表示grid cell i中的第j个边界框预测到了正确类别。


         训练过程数据：


epoch:135


batch size:64


momentum:0.9


decay:0.0005


learning rate:前75为0.01，中间30为0.001，最后30为0.0001


dropout layer rate:0.5


YOLO的优势在于，外围库的依赖少，纯c和CUDA写成，唯一的依赖就是pthreads，不像caffe那样需要一堆的dll。当然，缺点就是，训练的模型文件太大，750多M，2G显存的电脑直接挂掉，tiny-yolo虽然小，但是效果却大打折扣。另一个缺点就是由于其自身结构的设计，使得对聚集，堆叠的物体检测不是很好，当然，fast RCNN，ssd等在这点上也没有变现出不俗的效果。就YOLO v1的速度和识别率来看，还是比SSD差点。当然所有的这些都在YOLO v2中得到了大大的改善。


linux篇：


YOLOv1的官方链接为，http://pjreddie.com/darknet/yolov1/，


安装步骤：


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

注意这里，yolov1.weights，官网现在给的是753M的，实际上我用这个没有跑出结果，用了小伙伴的780多M的成功跑出了上面的结果，就这一个地方，折腾了一下午，换了不同机器测试过，也是被官网坑了啊。如果不对之处，还请大神斧正。


至此，YOLOv1就安装完毕，又可以愉快的玩耍了。

windows篇：


由于原版的官方YOLOv1是只支持linux 和mac的，如果要自己修改，可能需要走好对哦的坑，同时还得具备一定的技术水平，幸好有革命斗士为我们走出了这一步，


可以参考下面2个YOLO-windows，


https://github.com/frischzenger/yolo-windows


https://github.com/AlexeyAB/yolo-windows

随便下载上面的一个yolo，然后进入yolo-windows-master\build\darknet\下面，用vs2013直接打开darknet.sln，选择，x64版本，只要配置opencv和pthreads就可以，


为了方便大家参考，这里贴出本人的环境配置，

vc++目录，可执行文件，

E:\opencv2_4_12\build\x64\vc12\bin;
G:\yolo-windows-master\3rdparty\dll\x64;

vc++目录，包含目录，


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++目录，库目录，


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）

链接器，输入，下面为release的输入，debug只将opencv的lib换成相应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++，预处理器




_CRT_SECURE_NO_WARNINGS
OPENCV
GPU（GPU版本加）




环境配好，点击生成就可以，




debug版本的生成信息，




release版本的生成信息，




进入，yolo-windows-master\build\darknet\x64\Release\下面，




去官网链接，http://pjreddie.com/media/files/yolov1.weights，下载好yolov1.weights，




然后运行，darknet.cmd，随便输入一张图像，例如，person.jpg，就会出来运行效果。




其中第一个为cpu+debug版本，第二个为cpu+release版本，




references：




https://github.com/watersink/yolov1_tutorial