滑动窗口法的卷积实现虽然效率更高，但仍然存在问题，不能输出最精准的边界框。因为滑动窗口法中，取这些离散的位置集合并不能完全匹配目标大小、位置。
其中一个能得到更精准边界框的算法是 YOLO 算法， YOLO(You only look once)意思是你只看一次。
比如输入图像是 100×100 的，然后在图像上放一个3×3网格，实际实现时会用更精细的网格，可能是 19×19。基本思路是使用图像分类和定位算法，逐一应用在图像的 9 个格子中。更具体一点，定义训练标签，所以对于 9 个格子中的每一个指定一个标签y，y是 8 维的：
pc等于 0 或 1 取决于这个绿色格子中是否有图像。然后bx, by, bh ,bw作用就是，如果那个格子里有对象，那么就给出边界框坐标。c1,c2,c3就是你想要识别的三个类别，背景类别不算，所以你尝试在背景类别中识别行人、汽车和摩托车，那么c1,c2,c3可以是行人、汽车和摩托车类别。这张图里有 9 个格子，所以对于每个格子都有这么一个向量。
PS：所以，一个向量的长度为1+4+nc，1为是否有目标，4表示bx, by, bh ,bw目标外接矩形，nc为目标的one-hot编码，长度为要识别的类别数。
这张图有两个对象，YOLO 算法做的就是，然后将这个对象分配给包含对象中点的格子。所以左边的汽车就分配到这个格子上（编号 4），然后这辆 Condor（车型： 神鹰）中点在这里，分配给这个格子（编号 6）。所以即使中心格子（编号 5）同时有两辆车的一部分，我们就假装中心格子没有任何我们感兴趣的对象，所以对于中心格子，分类标签𝑦和这个向量类似，和这个没有对象的向量类似，即：
绿色框和黄色框的格子目标标签应该是这样的：
所以对于这里 9 个格子中任何一个，都会得到一个 8 维输出向量，因为这里是 3×3 的网格，所以有 9 个格子，总的输出尺寸是 3×3×8，所以目标输出是 3×3×8。
对于这个例子中，左上格子是 1×1×8，对应的是 9 个格子中左上格子的输出向量。所以总的目标输出标签尺寸就是 3×3×8：
如果你现在要训练一个输入为 100×100×3 的神经网络，现在这是输入图像，然后你有一个普通的卷积网络，卷积层，最大池化层等等，最后你会有这个，选择卷积层和最大池化层，这样最后就映射到一个 3×3×8 输出尺寸。所以你要做的是，有一个输入x，就是这样的输入图像，然后你有这些 3×3×8 的目标标签y。当你用反向传播训练神经网络时，将任意输入x映射到这类输出向量y。
这样的网格精细得多，那么多个对象分配到同一个格子得概率就小得多。
即使对象可以横跨多个格子，也只会被分配到 9 个格子其中之一，就是 3×3 网络的其中一个格子，或者 19×19 网络的其中一个格子。在 19×19 网格中，两个对象的中点处于同一个格子的概率就会更低。
特点：
1）它显式地输出边界框坐标，所以这能让神经网络输出边界框，可以具有任意宽高比，并且能输出更精确的坐标，不会受到滑动窗口分类器的步长大小限制。
2）这是一个卷积实现，有很多共享计算步骤，在处理这N×N计算中很多计算步骤是共享的，所以这个算法效率很高。
真值标签：
这里有两辆车，我们有个 3×3 网格，我们以右边的车为例（编号 1），红色格子里有个对象，所以目标标签𝑦就是， 𝑝𝑐 = 1，然后𝑏𝑥、𝑏𝑦、𝑏ℎ和𝑏𝑤，然后𝑐1 = 0，𝑐2 = 1，𝑐3 = 0，边界框确定：
在 YOLO 算法中，对于这个方框，我们约定左上这个点是(0,0)，然后右下这个点是(1,1),要指定橙色中点的位置，bx大概是 0.4，by大概是 0.3。然后边界框的高度用格子总体宽度的比例表示，所以这个红框的宽度可能是蓝线的 90%，所以bh是 0.9，它的高度也许是格子总体高度的一半，这样的话bw就是 0.5。换句话说，bx,by,bh,bw单位是相对于格子尺寸的比例，所以bx,by必须在 0 和 1 之间。如果它不在 0 和 1 之间，如果它在方块外，那么这个对象就应该分配到另一个格子上。
𝑏𝑥和𝑏𝑦必须在 0 和 1 之间，因为从定义上看，橙色点位于对象分配到格子的范围内，如果它不在 0 和 1 之间，如果它在方块外，那么这个对象就应该分配到另一个格子上。这个值（ 𝑏ℎ和𝑏𝑤）可能会大于 1，特别是如果有一辆汽车的边界框是这样的（编号 3 所示），那么边界框的宽度和高度有可能大于 1。
PS：
1、坐标量化时，bx,by,bh,bw是相对于格子尺寸的比例；
2、每个目标只会被分配到一个格子上，以重点落地位置为准；
3、𝑏𝑥和𝑏𝑦必须在 0 和 1 之间，边界框的宽度和高度有可能大于 1。
指定边界框的方式有很多，还有其他更复杂的参数化方式，涉及到 sigmoid 函数，确保这个值（ 𝑏𝑥和𝑏𝑦）介于 0 和 1 之间，然后使用指数参数化来确保这些（ 𝑏ℎ和𝑏𝑤）都是非负数等。
