文章《You Only Look Once: Unified, Real-Time Object Detection》提出方法下面简称YOLO。
目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派：
1.两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)，
2.一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)
之前的R-CNN系列虽然准确率比较高，但是即使是发展到Faster R-CNN，检测一张图片如下图所示也要7fps(原文为5fps)，为了使得检测的工作能够用到实时的场景中，提出了YOLO。
YOLO的检测思想不同于R-CNN系列的思想，它将目标检测作为回归任务来解决。
下面来看看YOLO的整体结构：
由上两图所示，网络是根据GoogLeNet改进的，输入图片为448*448大小，输出为，现在看来这样写输出维度很奇怪，下面来看一下输出是怎么定义的。
将图片分为个单元格(原文中S=7)，之后的输出是以单元格为单位进行的：
1.如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。
2.每个单元格需要预测B个bbox值(bbox值包括坐标和宽高，原文中B=2)，同时为每个bbox值预测一个置信度(confidence scores)。也就是每个单元格需要预测B×(4+1)个值。
3.每个单元格需要预测C(物体种类个数，原文C=20，这个与使用的数据库有关)个条件概率值.
所以，最后网络的输出维度为，这里虽然每个单元格负责预测一种物体(这也是这篇文章的问题，当有小物体时可能会有问题)，但是每个单元格可以预测多个bbox值(这里可以认为有多个不同形状的bbox，为了更准确的定位出物体，如下图所示)。
因为这里是当作回归问题来解决的，所以所有的输出包括坐标和宽高最好都定义在0到1之间。网上看见一张比较详细的图如下。
来看一下每个单元格预测的B个(x,y,w,h,confidence)的向量和C的条件概率中，每个参数的含义(假设图片宽为{w_i}高为{hi}，将图片分为)：
1.(x,y)是bbox的中心相对于单元格的offset
对于下图中蓝色框的那个单元格(坐标为)，假设它预测的输出是红色框的bbox,设bbox的中心坐标为
,那么最终预测出来的(x,y)是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下：
2.(w,h)是bbox相对于整个图片的比例
预测的bbox的宽高为，(w,h)表示的是bbox的是相对于整张图片的占比，计算公式如下:
3.confidence
这个置信度是由两部分组成，一是格子内是否有目标，二是bbox的准确度。定义置信度为。
这里，如果格子内有物体，则，此时置信度等于IoU。如果格子内没有物体，则
，此时置信度为0
4.C类的条件概率
条件概率定义为，表示该单元格存在物体且属于第i类的概率。
在测试的时候每个单元格预测最终输出的概率定义为，如下两图所示（两幅图不一样，代表一个框会输出B列概率值）
最后将最后来看一下训练YOLO使用的损失函数定义(本想自己用latex打的，后来有个符号一直打不出来，使用网友的图如下)
这里强调两点：
1.每个图片的每个单元格不一定都包含object，如果没有object，那么confidence就会变成0，这样在优化模型的时候可能会让梯度跨越太大，模型不稳定跑飞了。为了平衡这一点，在损失函数中，设置两个参数和
，其中
控制bbox预测位置的损失，
控制单个格内没有目标的损失。
2.对于大的物体，小的偏差对于小的物体影响较大，为了减少这个影响，所以对bbox的宽高都开根号。
