目标检测
定义
目标检测（ObjectDetection）是计算机视觉中的一项任务，其目标是在图像或视频中识别和定位图像中存在的多个物体，并为每个物体提供相应的边界框（Bounding Box）。与图像分类任务不同，目标检测不仅要求识别图像中的物体类别，还要准确标定每个物体的位置。
识别图像中的物体类别 + 准确标定每个物体的位置.
1 | 图像分类。是计算机视角最基本的任务之一。 |
目标检测: 可以看成图像分类与定位的结合。
给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。
应用场景
目标检测的一个实际应用场景就是无人驾驶，如果能够在无人车上装载一个有效的目标检测系统，那么无人车将和人一样有了眼睛，可以快速地检测出前面的行人与车辆，从而作出实时决策。
两类流行的算法
近几年来，目标检测算法取得了很大的突破。
1.R-CNN系算法
一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。
2. Yolo，SSD这类one-stage算法，
其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。
Yolo
全称是You Only Look Once: Unified, Real-Time Object Detection.
You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000算法。本文主要讲述Yolo-v1算法的原理，特别是算法的训练与预测中详细细节，最后将给出如何使用TensorFlow实现Yolo算法。