1.object detection的模型：
R-CNN，Fast RCNN ，YOLO，Detectron，SSD，YOLOv4，YOLOR
2.步骤
One-stage：直接在图象中检测，eg：YOLO
after 2014 two stages：
判断区域是否有物体，有物体的区域做proposal region 给神经网络进行分类及bounding box regression。（分类器有四个神经元，代表四个顶点）
3.rcnn：选取若干个大小不一比例不同的区域，用分类模型判断是否有检测目标。最直接的方法为滑动窗口法，cnn用特征提取，分类用线性svm分类，效率较低。（selected search，opencv）
4.fast-rcnn：分矩形框用selected search在feature map上产生roi。roi按image及featuremap大小比例投射回输入image区域。在feature map上分矩形框。
5.faster-rcnn：用rpn代替selected search生成object proposal。
•rpn工作：用滑动窗口生成个ankar box。对于每个ankor box，rpn预测是否有物体；另外用bounding box regressor来调整ankor box。分类用的是vgg16。
6.YOLOv4：基于darknet开发，提高了准确率，速度变化不大。训练成本增加了，coco数据集，评价标准：map。（github：github.com/AlexeyAB/darknet）
•数据格式：文本文件，5个数据（sword gun）：类别 后面四个数包围框顶点坐标
7.YOLOv5：基于pytorch实现，并非darknet。v5的权重文件比v4小很多（27MB：244MB）
8.PP-YOLO：基于peddlepeddle开发。将
YOLOv3的darknet53 backbone换成resnet backbone，训练的batchsize也有变，64变成192。contribution：better balance between effectiveness and efficiency.
9.Darknet
detect格式：detect 模型配置 权重位置 图片位置。
10.数据的标注工具：
•LabelingImg,做标签，用鼠标设置bounding box
•VoTT：目录中所有图像的标记放在一个json文件。
•LabelMe：除了目标检测还支持示例分割。支持pascal voc和coco。
•VIA
11.homework :sword & gun