YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时目标检测系统。
现在YOLO已经发展到v3版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先详细分析YOLO v1版本。
YOLO提供了另一种更为直接的思路： 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。
YOLOv1网络结构设计：
训练：
预训练分类网络： 在 ImageNet 1000-class competition dataset上预训练一个分类网络，这个网络是上图中的前20个卷机网络+average-pooling layer+ fully connected layer 作为Pretrain的网络（此时网络输入是224*224）。
训练检测网络：转换模型去执行检测任务，将Pretrain的结果的前20层卷积层应用到Detection中，并添加4个卷积层和2个全连接层，随机初始化权重。检测要求细粒度的视觉信息，获取更加精细化的结果，所以把网络输入由224×224提升到448×448。
最后一层输出为 （7×7）×30的维度。每个 1×1×30的维度对应原图7×7个cell中的一个，1×1×30中含有类别预测和bounding box坐标预测。
①每个网格（1×1×30维度对应原图中的cell）要预测2个bounding box 的坐标（中心点的坐标以及宽度、高度），其中：四个坐标均需要进行归一化。
②每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。 这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息（是否包含对象且位置准确的程度）：confidence = Pr（Object）×IOU（预测的bounding box与真实的bounding box的接近程度）。
（IOU：交集部分/并集部分，哪个比较大（更接近对象实际的bounding box），就由哪个bounding box来负责预测该对象是否存在，即该bounding box的 Pr（Object）=1，confidence=IOU；另一个bounding box的置信度为零）
每个bounding box要预测想x,y,w,h,confidence,共5个值 ，2个bounding box共10个值，对应 1×1×30维度特征中的10个。
③对于输入图像中的每个对象，先找到其中心点。例如上图中自行车，其中心点在黄色圆点位置，中心点落在黄色网格内，所以这个黄色网格对应的30维向量中，自行车的概率是1，其它对象的概率是0。所有其它48个网格的30维向量中，该自行车的概率都是0。这就是所谓的"中心点所在的网格对预测该对象负责"。（这种做法称作bounding box predictor的specialization(专职化)。）
(通用公式： SxS个网格，每个网格要预测B个bounding box还要预测C个categories，输出就是S x S x (5*B+C)的一个tensor。 注意：class信息是针对每个网格的，而confidence信息是针对每个bounding box的）
损失函数
损失函数的设计目标是让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。
简单的全部采用了sum-squared error loss来做这件事会有以下不足： a) 8维的localization error和20维的classification error同等重要显然是不合理的； b) 如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence push到0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。
解决方案如下：
更重视8维的坐标预测，给这些损失前面赋予更大的loss weight,（在前面添加一个系数）在pascal VOC训练中取5。（上图蓝色框）
对没有object的bbox的confidence loss，赋予小的loss weigh，（在前面添加一个系数）在pascal VOC训练中取0.5。（上图橙色框）
有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1。
对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。而sum-square error loss中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。
测试
测试的时候，每个网格预测的class信息(Pr(Class(i)|Object)和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score。
NMS（非极大值抑制）
每个网格有：20个对象的概率*2个bounding box的置信度，共40个得分（候选对象）。一共有49个网格
设置一个score的阈值，低于该阈值的候选对象排除掉（将该score设为0),然后找到score最大的那个对象及其bounding box，添加到输出列表，对每个score不为0的候选对象，计算其与输出对象的bounding box的IOU，根据预先设置的IOU阈值，所有高于该阈值（重叠度较高）的候选对象排除掉（将Score设为0）。如果所有bounding box要么在输出列表中，要么Score=0，则NMS完成
总结
yolov1优点：
①检测物体的速度很快
②假阳性率低
③能够学到更加抽象的物体的特征
缺点：
①精度低
②容易产生物体的定位错误
③对小物体的检测效果不好（可能是因为一个网格只能预测两个bounding box，而且可能在NMS的时候被去除掉）
来源：https://blog.csdn.net/weixin_43619477/article/details/102746994