YOLO

YOLO（You Only Look Once） 是一种目标检测算法，其网络结构主要由卷积层、池化层、全连接层和特定设计的输出层组成。以下是 YOLO 中常见的层类型：

1. 卷积层（Convolutional Layer） ：YOLO 网络中包含多个卷积层，用于从输入图像中提取特征。这些卷积层通常采用较小的卷积核和步长，以逐渐减小特征图的空间尺寸。
2. 池化层（Pooling Layer） ：池化层用于降低特征图的空间维度，同时保留最重要的特征。YOLO 中通常使用最大池化层来实现这一功能。
3. 全连接层（Fully Connected Layer）：YOLO 的输出层之前可能包含一些全连接层，用于将卷积层输出的特征图转换为向量形式，以便后续进行目标检测。
4. YOLO 输出层：YOLO 的输出层是该算法的关键所在。它将卷积层的输出转换为目标检测结果。YOLO 输出层通常由卷积层和特定设计的层组成，其中包括：
5. 卷积层：负责提取特征并生成检测结果。
6. 网格分割层（Grid Division Layer）：将输入图像分割成固定大小的网格。
7. 预测边界框参数层（Bounding Box Prediction Layer）：用于预测每个网格单元内的目标边界框的位置和大小。
8. 类别预测层（Class Prediction Layer）：用于预测每个网格单元内目标的类别。
9. 置信度预测层（Confidence Prediction Layer）：用于预测每个边界框的置信度，即该边界框内是否包含目标以及预测的准确度。
10. 非极大值抑制（Non-maximum suppression，NMS）层：用于筛选检测结果并消除重叠的边界框，以获得最终的目标检测结果。

这些层共同构成了 YOLO 的网络结构，并使其能够在单次前向传递中实现高效的目标检测。

NMS-非极大值抑制

NMS 的基本思想是通过一系列步骤筛选出最优的边界框：

• 置信度排序：首先，根据每个边界框的置信度得分对所有检测结果进行排序，通常置信度越高表示检测到目标的可能性越大。
• 选择最高置信度的边界框：从排好序的边界框列表中选择置信度最高的边界框，将其添加到最终的输出列表中。
• 计算重叠面积：对于剩余的边界框，计算它们与已选择的边界框的重叠面积。
• 移除重叠边界框：对于与已选择的边界框重叠面积高于某个阈值的边界框，将其从候选列表中移除。
• 重复步骤 2-4：重复执行上述步骤，直到所有的边界框都被处理。

训练部分

每次训练过后都会有个 pt 文件用于保存本次训练模型的参数，训练迭代次数完成以后会有一个最好的. best 的模型参数

检测部分