论文链接：[1506.02640] You Only Look Once: Unified, Real-Time Object Detection (arxiv.org)

 YOLO将目标检测看作回归问题，使用单个神经网络直接从完整图像上预测边界框和类别概率。（端到端：输入原始数据，输出的是最后结果，之前输入端是在原始数据中提取的特征）

YOLO过程总结：
训练阶段:

首先将一张图像分成 S × S个 gird cell，然后全部送入CNN，生成S × S × (B × 5 + C）个结果，最后根据结果求Loss并反向传播梯度下降。

（S x S个网格，每个网格都有B个预测框，每个框有5个参数，再加上每个网格都有C个预测类）

预测、验证阶段：

首先将一张图像分成 S × S网格(gird cell)，然后全部送入CNN，生成S × S × (B × 5 + C）个结果，最后用NMS选出合适的预选框。

（NMS：主要解决一个目标被多次检测的问题，即在一个区域里交叠的很多框选一个最优的。

注意： NMS只发生在预测阶段，训练阶段是不能用NMS的，因为在训练阶段不管这个框是否用于预测物体的，它都和损失函数相关，不能随便重置成0。）

YOLO思想
YOLO将目标检测问题作为回归问题。会将输入图像分成S×S的网格，如果一个物体的中心点落入到一个cell中，那么该cell就要负责预测该物体，一个格子只能预测一个物体，会生成两个预测框。

对于每个grid cell：
（1）预测B个边界框，每个框都有一个置信度分数（confidence score）这些框大小尺寸等等都随便，只有一个要求，就是生成框的中心点必须在grid cell里。

（2）每个边界框包含5个元素：(x,y,w,h)

（3）不管框 B 的数量是多少，只负责预测一个目标。

（4）预测 C 个条件概率类别（物体属于每一种类别的可能性）

 YOLO网络详解

YOLO优点：

        （1）YOLO的速度非常快；

        （2）YOLO在做预测时使用的是全局图像；

        （3）YOLO 学到物体更泛化的特征表示。

YOLO缺点：

 （1）对于图片中一些群体性小目标检测效果比较差；

（2）原始图片只划分为7x7的网格，当两个物体靠得很近时（挨在一起且中点都落在同一个格子上的情况），效果比较差；

（3）每个网格只对应两个bounding box，当物体的长宽比不常见(也就是训练数据集覆盖不到时)，效果较差；

（4）最终每个网格只对应一个类别，容易出现漏检(物体没有被识别到)。

参考链接：【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）_路人贾'ω'的博客-CSDN博客