一、yolo是什么？
yolo是目标检测模型。目标检测是计算机视觉中比较简单的任务，用来在一张图片中找到特定的物体，目标检测不仅要求对物体的种类进行识别，同时要求我们对物体的位置进行标记。而且YOLO相比于以往的带有建议框的神经网络，速度大有提升。
类别是离散数据，位置是连续数据。
二、yolo的原理
目标
我们的目的是找出一张图片上物体的位置和种类，这其中包含5个信息：物体的中心位置（x，y），物体的长和宽（h，w），最后是 物体的种类。
YOLO 的预测是基于整个图片的，并且它会一次性输出所有检测到的目标信息，包括类别和位置。就好像捕鱼，yolo会将整张网撒下去，将所有的鱼都捞起来。
假设我们处理的照片是一个正方形的。
原理
YOLO的第一步是分割图片，它将图片分割为 S^2个grid，每个grid的大小都是相等的，像这样：
YOLO只要求这个物体的中心落在这个框框之中。
这意味着不用设计非常非常大的框，只需要让物体的中心在这个框中就可以了，而不是必须要让整个物体都在这个框中。
我们要让这个S^2 个框每个都预测出B个bounding box(边界框)，这个bounding box有5个量，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，以及这次预测的置信度。
每个框框不仅只预测B个bounding box，它还要负责预测这个框框中的物体是什么类别的，这里的类别用one-hot编码表示。
注意，虽然一个框框有多个bounding boxes，但是只能识别出一个物体，因此每个框框需要预测物体的类别，而bounding box不需要。
也就是说，如果我们有 S^2 个框框，每个框框的bounding boxes个数为B，分类器可以识别出C种不同的物体，那么所有整个ground truth的长度为：
[公式]
先看这些bounding box显示出来是什么样的：
