深度学习之目标检测（一）前言
从今天开始学习深度学习目标检测任务，从Faster R-CNN到SSD，再到YoloV1开始到YoloV5。本章节学习资源见 Bilibili 。前言中讲解常用数据集以及评价指标。
1. 数据集
目标检测常用数据集 PASCAL VOC2012数据集讲解 和 COCO数据集讲解 。PASCAL VOC2012 主要有二十个类别，自己标注的话为了一致建议使用 LabelImg（而非LabelMe，因为它生成json而不是xml）,labelImg 的使用也可参考讲解。
相比而言，COCO则是非常大型且常用的数据集，可以使用 pycocotools 读取 COCO 标注文件。
2. 评价指标
本小节主要讲解：目标检测mAP计算以及coco评价标准，学习自 Bilibili。首先讲解 mAP 的计算方法。
我们以小猫类别检测举例，网络预测结果都是非极大值抑制之后的检测框，假设第一张测试图片中有两只猫，网络预测结果如下，我们使用列表来统计检测信息。表格是按照Confidence降序排列的，OB是说IoU是否大于0.5。然后把第二张图片加进去，此时总猫个数变为3，然后依然按照Confidence降序插入预测结果。同理加入第三张图。
有了表格之后就能来计算 TP，FP 和 FN，以及 Precision 和 Recall 了。需要根据我们设定的 confidence 来计算。比如设定 confidence = 0.98，总目标个数为7，漏检6个，没有假阳性，正确检出1个。
如果降低 confidence 阈值，则结果如下所示：
最后就可以得到 Precision-Recall 曲线了，注意横坐标 Recall 需要滤除一些重复的 Recall，只需要保留 Precision 值最大的结果就行了：
接下来我们看看 COCO 评价指标怎么来看，参考于官网：
结果主要看什么？
- 第一行很重要，COCO 主要看的指标
- 第二行很重要，PASCAL VOC 主要看的指标
- 第三行，定位精度比较高
- 第四行，小目标要求比较高
- ……
最后的开篇前言：目标检测任务，分类网络是基础！
目标检测分两类：
- One-stage：SSD，YOLO
- 基于anchors直接进行分类以及调整边界框
- 优点：检测速度快
- Two-stage：Faster-RCNN
- 通过专门模块去生成候选框（RPN），寻找前景以及调整边界框（基于anchors）
- 基于之前生成的候选框进行进一步分类以及调整边界框（基于proposals）
- 优点：检测更准确