背景介绍
目标检测:是计算机视觉的基础任务，近几年来，目标检测算法取得了很大的突破，主流趋势是两种，一种是one-stage算法，以SSD，YOLO为代表，另一类是two-stage算法，以Faster R-CNN为代表。广泛应用于生活之中，包括人脸检测，自动驾驶等等方面，在近期的疫情之中也发挥了巨大的作用，在火车站，地铁口都应用到了人脸检测方法，检测到人脸后利用红外对体温进行测量，因此能手动搭建一些目标检测网络，对今后的学习工作都是非常有帮助的。
一步法和两步法的区别
一步法：在原图像上面铺设大量锚点框(anchor)，然后在特征提取的时候对锚点框进行一次回归和分类，得到最终的检测结果
两步法：在原图像上面铺设大量锚点框(anchor)，然后先利用一个网络对锚点框进行一次分类和回归(粗筛选)，得到建议框，然后再对建议框进行一次回归和分类得到最终的检测结果。
优缺点：经过上面的描述，容易看出，一步法的优点是效率高，只需要一步即可完成最终检测，没有耗时的第二步，但是缺点也很明显，因为没有粗筛选，导致正负样本极端不平衡，因此检测精度略低于两步法。两步法虽然检测速度慢，但是检测精度略高于一步法。随着网络的发展，硬件水平的提高，两类算法都在不断的进步之中，速度和精度都可以取得较好的结果。
数据集以及IOU，NMS介绍
数据集：为了方便模型调试的方便，我的博客中介绍的数据集是一种简单的Shape数据集，只有1000个训练样本，为了加快训练速度，数据集的大小我也调整为128x128，这个数据集只有三类物体，分别是圆形，三角形和正方形，图像数据为jpg文件，标签数据为xml文件，其中记录了物体出现的左上角和右下角坐标。
IOU(Intersection Over Union，交并比)：用于评估语义分割算法性能的指标是平均IOU，交并比也非常好理解，算法的结果与真实物体进行交运算的结果除以进行并运算的结果。通过下图可以直观的看出IOU的计算方法。
NMS(Non-Maximum Suppression，非极大值抑制)：简单地说，不是最大的我不要，在目标检测中，往往图像上存在大量先验框，会导致很多附近的框都会预测出同一个物体，但是我们只保留最大的一个预测结果，这就是非极大值抑制。
步骤：
(1)从最大概率矩形框F开始，分别判断A~E与F的IOU是否大于某个设定的阈值，假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(2)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
(3)重复步骤(2)，直到所有的框都被抛弃或者保留。
一些说明
- 在学习的时候，小伙伴可能会遇到一些代码上的困难，如tensorflow，numpy，opencv的用法，可以查看我的深度学习框架和Python常用库相关文章，里面会有一些简单的介绍，小伙伴们可以进行学习，最好是手动敲一敲，看一看。
- 因为这个博客是对学习的一些总结和记录，意在和学习者探讨和交流，并且给准备入门的同学一些手把手的教学，因此关于目标检测的算法参数设计，我都是自己尝试的，不是针对于这个数据集最优的参数，大家可以根据自己的实际需要修改网络结构。
- 实际的工程应用中，常常还需要对数据集进行大小调整和增强，在这里为了简单起见，没有进行复杂的操作，小伙伴们应用中要记得根据自己的需要，对图像进行resize或者padding，然后旋转，对比度增强，仿射运算等等操作，增加模型的鲁棒性，并且实际中的图像不一定按照顺序命名的，因此应用中也要注意图像读取的文件名。
- 为了让学习者看的方便和清晰，我没有使用多个文件对程序进行封装，因为我在刚开始学习模型的时候，查看GitHub代码，一个模型可能需要好几个文件夹，每个文件夹里面又有很多的代码文件，其中很多文件互相调用。虽然这样的工程项目是非常好管理和运行的，但是给初学者一种丈二和尚摸不着头脑的感觉，对此我深有体会。所以我就使用一个.py文件来封装，因此代码可能会有几百行，但是其中的各个函数和类都有自己的名字，可以保证学习者不会被纸老虎吓住。
- 在目标检测学习中，我会列举出一些经典的目标检测模型，因为模型太多，并且仍在不断的更新进步之中，所以大家可以联系我，和我进行沟通和交流，或者推荐给我一些优秀的模型。
- 关于问题的交流，图像的数据，需要的同学可以到主页查看我的QQ或者邮箱，我会非常荣幸的提供力所能及的帮助，小伙伴加好友的时候一定要记得备注，不然我可能会忽视一些粗心的小伙伴。
小结
目标检测是计算机视觉的基础任务，也是非常重要的任务之一，自从深度学习的时代到来，各种神经网络结构百花齐放，很难说出最好的目标检测方法，可能一个方法适用于很多数据，但也不能说明某一个算法一定优于另一个算法，我们要做的就是尽可能多的学习各种各样的深度学习模型，然后吸取这些模型成功的原因，投入到自己的工程应用之中。