那怎么派了你来？”
“肯定是一个笨鸟先飞嗷。”王恺对自己对自己的菜不以为耻，反以为荣，“如果交接能让我搞懂了，那就说明彻底没问题了，整个研究院的人肯定都能轻松拿下。”
“还在划，还在划，来听大哥讲解了。”见孟繁岐已经拉下了项目，打开了文档和代码，王恺连忙起身招呼道。
在中气十足的招呼声中，十几位研究成员应声而来，直接将两人团团围住。
“嫂子，你坐这！”王恺见韩辞在一旁站着围观，顿时觉得自己表现的时候到了，连忙起身让座。
“别乱说嗷，我哪有这么好命。”孟繁岐觉得这小子还挺有意思的，“说正事吧，文档和论文的草稿我这里都给了，这个你们仔细仔细去读，我就不直接讲了。”
“今天主要就是说一下主要脉络和逻辑。YOLO检测算法，就是you only look once，只看一次。指的是对图片仅进行一次扫描，它的主要速度提升就来自于此。
一个经典的检测方法的流程是这样的：先通过计算机图形学（或者深度学习）的方法，对图片进行分析，找出若干个可能存在物体的区域，将这些区域裁剪下来，放入一个图片分类器中，由分类器分类。
最愚蠢的做法就是用多个尺寸的选框反复扫描图片，后面则是使用一些办法，筛选最有可能的一些区域。这些做法都是两步走的，看一次图片选感兴趣的区域，再看一次图片去为这个区域做分类。
而我的做法是直接将整个图片划分成均匀的多个网格，其中每个格子都可以输出物体的类别和检测框的坐标。物体落在哪个区域，哪个区域就负责预测这个物体。
我的网络输出是一维的，前N个数字代表N个类别的概率，后面X个数字代表X个检测框的概率，最后4X个数字用以描述检测框在图片上的位置。”
“那怎么可能会快一两百倍呢？”有思维敏捷的白度研究员出声提问道，“比较注重速度的传统办法会削减提出的区域数量，通常最多也不过千余个。按照你的说法，你至少也需要数十个网格，每个网格又需要数个检测框，这样的话，感觉差别也不是非常大。”
“如果我们采用7x7的网格+两个检测框的话，总数量就仅为98个检测框。此外，在骨干网络的设计还有非极大值抑制的具体操作顺序上，也有很大的调整空间。”
“那性能应该会受到很大的影响吧？”
“多类的目标应该怎么去
本章未完，请点击下一页继续阅读！