1.计算机视觉能够解决那些问题？

1.1分类、监测、分割

1.2语义分割和实例分割

图像分割分为两种。语义分割就是对每一个像素块分类，不管像素是处于哪几个物体，只管它是处于哪个类别的，只把每一个像素的类别输出出来，但是并不区分不同物体的像素。实例分割就是把同一类别的不同实例分别出来，区分同一类别不同物体的像素。

2.YOLOV1目标检测算法

2.1预测阶段（前向推断）

预测阶段就是在模型训练成功之后，输入位置图片来对位置图片进行预测或测试，这个时候就不需要训练，不需要反向传播，而是只需要前向推断，运行这个模型。模型训练出来之后是一个深度卷积神经网络，上面是基准的yolo模型，下面是YOLO tiny比较小的YOLO模型，小的话速度就比较快，其实本质上都一样。

基准的YOLO模型输入是448×448×3像素的正方形图片，3表示的是3通道RGB，先过若干个卷积层，过池化层，过1×1卷积层，3×3卷积层，最后变成一个7×7×1024维的feature map，把这个数据拉平，喂到一个4096个神经元的全连接层中，输出4096维的向量，再把这个4096维的向量喂到1470个神经元的全连接层中，输出1470维的向量，相当于1470个数字，然后把这1470个数字reshape成7×7×30的feature map，这样就形成了一个大黑箱子，这个黑箱子一头是输入448×448×3的彩色图像，另外一头输出7×7×30维的张量，即30个7×7的矩阵。在预测阶段这个YOLO模型就是个黑箱子，在这个7×7×30维的张量tensor中就包含了所有预测框的坐标、置信度、类别结果，只需要解析这个张量就可以获得最终的验算结果，这是一个单阶段的模型，一步到位，统一的架构。

先把图片分成7×7的grid网格，每一个网格有生成两个预测框，这两个预测框的中心点都落在网格里面，预测框就包含了x，y，w，h四个定位坐标，即可确定框的位置，以及包含是否是一个物体的置信度（图中用框的粗细来代表置信度，图2），每一个Bounding Box都包含4个未知参数和1个置信度参数，每一个网格还能够生成所有类别的条件概率（假设在已经包含某一个类别的情况下，是某一个类别的概率，图3），Bounding Box的置信度乘以每一组类别的条件概率就能够获得每一个Bounding Box的各类别的概率。