YOLO v1是One-stage工作的开山之作。YOLO: You Only Look Once. 发表于CVPR2016
1、主要思想：
1)将一副图像分成S*S的网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
2)每个网格要预测B个bounding box，每个bbox除了要预测位置之外，还要附带预测一个confidence值，且每个网格还要预测C个类别的分数。
所以输出特征图的通道数为：5B+C
其中，5是指边界框的置信度和位置参数；B是每个位置预测的bbox数量，C是类别的数量。网络的输出就是S*S*(5B+C)维的向量，与输入存在一个数学上的映射关系，而中间的yolo网络只是求这个映射关系的一种工具。
如果S=7，B=2，C=20，则每个grid cell预测向量如下图：
每个bbox的位置(x,y,w,h)，x,y是预测物体的中心坐标。由于物体的中心落在这个网格中，则这个网格才负责预测这个物体，所以物体的中心不会超出这个网格，它们都是相对于当前网格左上角坐标的相对位移值，在0~1之间的数。
而w,h是物体的宽高，它有可能比网格大，所以它们是相对整个图像宽高的相对值。（YOLOV1中没有anchor的概念。在SSD和fast RCNN中的bbox都是相对anchor的位置）
因此，YOLOv1就是在每个网格上去做预测，理想情况下，包含了物体中心点的网格会有很高的置信度输出，而不包含中心点的网格的置信度输出应该十分接近0。
总的来说，YOLOv1一共有三部分输出，分别是confidence、class和bbox：
confidence就是框的置信度，用于回归该网格是否有物体，及物体和真实位置的IOU；
class就是类别预测；
bbox就是边界框(bounding box)。
置信度的计算方法：
如果物体不在当前grid cell中，置信度为0，否则置信度为物体和真实位置的IOU。
最终预测的目标概率为：
2、网络结构：
3、YOLOv1损失函数
损失函数大致分为3个部分，第一个是坐标的预测，分别是边框的x, y, w, h。第二个是物体的置信度预测，第三个是物体的类别预测，损失函数与7*7*30维的向量相对应，是求取输入与输出之间映射关系的“数学表达式”。
为了平衡大小目标的位置偏差对bbox损失，w和h用了开根号。
1）坐标损失函数
之所以采用根号来计算物体的长和宽，是因为根号后的大物体的长宽损失与小物体的长宽损失相近，这样整个损失函数不会被大物体所操纵。若不采用根号计算，那么大物体的损失要比小物体损失大很多，那么这个损失函数会对大物体比较准确而忽略了小物体。公式前的系数是一个超参数，因为物体检测过程中，我们所要检测的物体相对与背景来说要少的很多，所以加入这个超参数是为了平衡“非物体”对结果的影响。
2）置信度损失函数
这里为什么要加入“非物体”的置信度呢，是因为网络要想学习分类n个物体，那他实际要学n+1个类别，那多出的“1”是背景或者就是真实意义上的非物体，这一类是占有很大一部分比例的，所以必须要学习这一类，才能保证网络的准确性。那这里为什么要在“非物体”的置信度前边加上超参数呢？也是因为我们所检测的目标物体相对于“非物体”是很少的，如果不加入这个超参数，那么“非物体”的置信度损失就会很大，所占权重比较大，这样会导致网络只学习到了“非物体”特征，而忽略了目标物体特征。
3）类别损失函数
类别损失是一个很粗暴的两个类别做减法，是YOLOv1不可取的一部分，当然后续就改掉了。
4、存在的问题：
1)对拥挤目标检测不好：YOLOV1每个网格只能预测2个bbox，而且它们是同一个类别的，所以小目标聚集时效果不好。
2)直接预测bbox的位置，没有采用相对anchor的参数，和基于region proposal类的方法相比召回率更低