you only look once!!!
一、所需基本姿势
1、YOLO将图片分成S*S的grid cell，每个grid cell对应B个bounding box，论文S=7，B=2，故有98个bbox。
2、YOLO中每一个Object只对应一个中心点，该中心点只唯一出现在一个grid cell中
3、Object中心点落在的那个grid cell负责把该Object回归出，彻底不是选取proposal再看看这个合不合适的模式
二、TRAINING
如图输入为448*448*3，经过类似GoogLenet的只有1*1和3*3的卷积后，得到7*7*30的feature，显然7*7对应每一个grid cell，而30个channel呢？
如图，30个channel对应2个bbox的5个位置信息和confidence，confidence是它是否是Object的概率乘上最大的IoU（当有Object的中心点在该grid cell上，则Pr(Object)=1，否者为0）；再加上20个class的feature。
loss分析
loss分3部分，坐标+confidence+class的loss
第一部分坐标loss，类似1的符号表示只找一个对每一个Object负责的bbox（大概类似1的符号就这意思吧 - - ），如图对狗来说，只有中心点所在的grid cell的竖向的黄框对其负责，前面两个求和，表示对所有bbox进行了遍历。
注：为什么要对w和h加上根号？因为大物体的w和h比小物体大得多，权衡两者，使大物体和小物体对loss贡献相一致（效果然并卵 - -），lamda的选择也是考虑到对loss的贡献率（论文更为重视坐标loss，lamda取很大，为5）
第二部分IoU loss，C就是confidence值，第一个等式也是要找只找一个对每一个Object负责的bbox，第二个等式变成了no obj了，说明遍历了所有除第一个等式找到的bbox外的所有bbox，且加上了一个lamda系数，为的是不让负例太多了！
第三部分是class loss，遍历所有bbox，但只对c∈classes的bbox（第二个求和符号的意义）计算了分类loss
OK！
三、TESTING
网络训练好后，输入一张图片，得到98个bbox的结果，其中有class和confidence和位置
class的概率显然是一个条件概率，与前面的confidence相乘，得到真正Pr（Classi）*IoU，对所有98个bbox都进行这些操作，得到98个20*1的class scores，再针对某一个Object的scores进行降序排列，再讲小于某个阈值的scores清零，在进行NMS操作得到对应的98个20*1的class scores。
解释：为什么有可能要进行NMS，因为每一个grid cell不止生成了一个bbox。拿狗狗举例，有可能有多条狗在图中（当然这不是关键）
对其中一个bbox的class scores查找其最大的scores，如果大于0，这标记bbox为结果，并染色输出；没有则放弃该bbox。
解释：引文confidence的存在，使得大部分的scores都是0，如果最大都是0，说明该bbox对应的grid cell不是任何的Object的中心点。
思考
同一个grid cell可能同时出现两个相同的class的bbox！
原因：当同一个grid cell对应的2个bbox的IoU小于某个阈值即可。
而不可能同一个grid cell中出现两个不同的class的bbox！
原因：因为在计算每个bbox的class scores时，是将每个grid cell的Pr（Classi | Object）和前面两个bbox的confidence相乘，所以属于同一个grid cell的bbox每个类的class scores大小关系是一样的。
正因为有这个缺点，YOLO V1对一个grid cell里有多个目标的情况无能为力，这也是为什么YOLO V1对小物体准确率不高的原因关键！！！
四、conclusion
1.因为很暴力的直接在网格（最后一层feature）上选bbox，Object中心点落在的那个grid cell负责把该Object回归出；而不用像faster-rcnn一样有一个siding windows的多余操作来提取proposal再筛选哪些适合作为bbox，所以要快很多！
2.由联合损失函数softmax+smooth变成了一个自己定义的loss function
YOLO v1的精准性和召回率相对于fast-rcnn比较差。其对背景的误判率比fast-rcnn的误判率低很多。这说明了YOLO v1中把物体检测的思路转成回归问题的思路有较好的准确率，但是对于bounding box的定位不是很好。