目录
1、YOLO是什么
2、YOLO 的突破
3、YOLO的原理
1、YOLO是什么
YOLO(you only look once)是目标检测模型，即只需要浏览一次就可以识别图中物体的位置和类别。相较于Region-base检测模型，其不需要提前找到可能存在目标的区域。
2、YOLO 的突破
YOLO是一个end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。即YOLO的预测是基于整个图片的，并且会一次性输出所有检测到的信息，包括类别和位置。YOLO 与R-CNN系列最大的区别：
(1) R-CNN与Fast RCNN采用分离模块(独立于网络之外的selective search方法)先提取可能包含物体的候选框区域，Faster RCNN才用RPN代替selective search方法提取候选框区域。而YOLO 不需要预先提取候选框区域，直接针对整个图片进行物体检测。
(2) R-CNN 系列将检测分为两部分求解，分别为物体类别(分类问题），物体位置(回归问题)。而YOLO是将物体检测作为一个回归问题进行求解，输入图像经过一个推理，便能得到图像中所有物体的位置及其所属类别。
下图为R-CNN系列与YOLO对比：
图1 R-CNN系列与YOLO对比
3、YOLO的原理
3.1 YOLO网络结构
YOLO检测网络包括24个卷积层和2个全连接层，如下图所示。
图2 YOLO 网络结构图
其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。其中，1*1卷积是为了跨通道信息整合。
3.2 YOLO检测物体
YOLO首先将图片分割为 S*S个grid cell ，每个grid cell的大小都是相等的。若某个物体的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。
如下图所示，图中狗的中心点落在红色原点的格子内，所以这个格子负责预测图象中狗。
图 3 YOLO检测
具体实现：每个grid cell 都预测出B个bounding boxs，这个bounding boxs有5个量，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，以及预测的置信度(confidence)。
在处理输入的图片的时候想让图片的大小任意，这一点对于卷积神经网络来说不难。但是，如果输出的位置坐标是一个任意的正实数，模型很可能在大小不同的物体上泛化能力有很大的差异。此时需要对数据进行归一化，让连续数据的值位于0和1之间。
对于x和y而言，由于物体的中心位置在grid中，所以通过让真实的x除以grid的宽度，让真实的y除以grid的高度进行归一化。
对于h和w而言，因为一个物体很可能远大于grid的大小，预测物体的高和宽很可能大于bounding boxs的高和宽，这样w除以bounding boxs的宽度，h除以bounding boxs的高度依旧不在0和1之间。所以通过让w除以整张图片的宽度，h除以整张图片的高度来进行归一化。
对于confidence,confidence反映当前bounding box是否包含物体以及物体位置的准确性。计算公式如下：
其中，若grid cell中包含物体，则Pr(obj)为1；否则Pr(obj)为0。
每个gird cell不仅预测B个bounding boxs，还要负责预测这个cell中的物体是什么类别的。虽然一个cell有多个bounding boxes，但是只能识别出一个物体，因此每个cell需要预测物体的类别，而bounding box不需要。
3.2 Loss函数
YOLO使用均方和误差作为loss函数来优化模型参数，即网络输出的S*S*(B*5 + C)维向量与真实图像对应的S*S*(B*5 + C)维向量的均方和误差。如下式所示。其中，coordError、iouError和classError分别代表预测数据与标定数据之间的box位置误差、IOU误差和分类误差。
YOLO对上式loss的计算进行了如下修正。
(1) 位置误差与IOU误差、分类误差对网络loss的贡献值是不同的，因此YOLO在计算loss时，使用
修正coordError。
(2) 在计算IOU误差时，包含物体的格子与不包含物体的格子，二者的IOU误差对网络loss的贡献值是不同的。若采用相同的权值，那么不包含物体的格子的confidence值近似为0，变相放大了包含物体的格子的confidence误差在计算网络参数梯度时的影响。为解决这个问题，YOLO 对iouError进行修正。
(3) 对于相等的误差值，大物体误差对检测的影响应小于小物体误差对检测的影响。这是因为，相同的位置偏差占大物体的比例远小于同等偏差占小物体的比例。YOLO将物体大小的信息项（w和h）进行求平方根来改进这个问题。
综上所述，YOLO的LOSS如下式所示：
