今天主要介紹物件辨識。
物件辨識對於人類來說並不困難，我們容易定位並分類出圖片中的物體，
但對於電腦來說，面對的是RGB像素矩陣，很難直接從圖像中得到狗和貓這樣的抽象概念並定位其位置，
再加上有時候多個物體和背景混雜在一起，所以這是一個非常熱門也很有挑戰的研究領域。

在許多年前，一些特定目標的檢測技術，
比如人臉檢測已經非常成熟，手機上就可以看到應用，
這是因為人臉相對來說是一個比較有“結構”的物件，
但是一般通用的目標檢測，效果總是不太理想。

這是一個最有名的物件辨識演算法YOLOv3的demo（目前已有v4）：

他的優點是架構簡單、不僅夠準他的運算速度也很快，十分符合業界的需求。
基本能達到real-time，這很符合業界大多數應用的需求。

例如自動駕駛在高速公路上跑，時速100 km，在YOLO出現之前，
就算使用最快的Faster R-CNN，2秒處理完一張，車子已經開出去4公尺，就已經來不及煞車了。
所以算法是否能Real time 對於AIOT等應用非常重要。

而YOLO 只需要對整張圖掃描一次，這就是他命名的由來。
這是YOLOv1的系統示意圖。
流程很簡單：

輸入一張圖，經過單個CNN網絡前向計算後，
再經過非極大值抑制(NMS)，就可以給出檢測結果。

YOLO特點：

• 非常地快
• 精確度比其他 real-time system 高兩倍。
• 對於背景的識別也很高，例如建築物，或是廁所。
• 學習到物體的泛化特徵，對於藝術畫中的物體也有不錯的識別率。