目前目标检测领域的深度学习算法主要分为两类：two stage的目标检测算法，以R-CNN系列为代表；one stage 的目标检测算法，以YOLO系列为代表。前者是先由算法生成一系列的样本候选框，再通过卷积神经网络进行样本分类；而后者直接将目标边框定位问题转化为回归问题进行处理。前者在检测准确率和定位精度上占优，后者在算法速度上具有很大优势。
相对于R-CNN系列的看两眼（候选框提取与分类），YOLO只需要Look Once.
下面进行YOLOv1算法的解读，
1、YOLOv1算法核心
YOLO的核心思想就是将目标边框定位问题转化为回归问题，利用整张图作为网络输入，直接在输出层回归bounding box 的位置和bounding box 所属的类别。
整体来看，YOLO算法采用一个单独的CNN模型实现end-to-end的目标检测，相对于R-CNN系列的“看两眼”（候选框提取与分类），YOLO只需要Look Once。整个系统如图1所示。首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。
图1 Yolo检测系统
2.YOLOv1算法具体细节
具体来说，YOLO的CNN网络将输入的图片分割成
图2 模型预测值结构
YOLO采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图3所示。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：
图3 YOLOv1网络结构
3.YOLOv1算法的优缺点
最后总结一下YOLO的优缺点。首先是优点，YOLO采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以YOLO算法比较简洁且速度快。第二点由于YOLO是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，YOLO的泛化能力强，在做迁移时，模型鲁棒性高。
最后不得不谈一下YOLO的缺点，首先YOLO各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，YOLO的表现会不如人意。另外YOLO对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然YOLO的定位不准确也是很大的问题。