学习资料：
https://blog.paperspace.com/tag/series-yolo/
https://blog.csdn.net/u014380165/article/details/77961414
https://blog.csdn.net/u014380165/article/details/72616238
https://blog.csdn.net/u014380165/article/details/80202337
https://blog.paperspace.com/tag/series-yolo/
DPM模型：
全称为（Deformable Part Moble）,可变形的组件模型，是一种基于组件的检测算法.
YOLOv1
将物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。
优点：1.速度快；2，基于全局信息进行预测；3，泛化能力强；4，准确率高
算法原理：把输入图像划分成S*S的格子，然后对每个格子都预测B个bounding boxes和confidencescores，每个bounding box都包含5个预测值：x,y,w,h和confidence。x,y就是bounding box的中心坐标，与grid cell对齐（即相对于当前grid cell的偏移值），使得范围变成0到1；w和h进行归一化（分别除以图像的w和h，这样最后的w和h就在0到1范围）。每个格子都预测C个假定类别概率。文中作者取S=7,B=2,C=20。所以有7*7*（5*2+20）个tensor
如果目标的中心落入某格子，则该格子响应。每个bounding box 都对应一个confidence score,若格子里无目标，则confidence score为0。
缺点：对靠近很近的物体预测效果不好，原因是每个格子中只预测一类；定位误差较大，尤其是小物体。