前言：
{
最近想了解以下目前比较先进的目标检测（object detection）模型和方法，所以就在github上搜到了https://github.com/amusi/awesome-object-detection，这里面介绍了不少目标检测的文章。
YOLO（You Only Look Once）我之前见过，可只是知道它是目标识别的方法，并且效果不错，但没有了解其具体过程。这次就来分析一下。
论文地址：https://arxiv.org/pdf/1506.02640.pdf
}
正文：
{
在一开始的第一节，论文描述了之前方法的缺点：至少被分为两个部分——框的生成和分类，并且需要分别的训练。YOLO却只通过一个网络生成框和类别，而且没有复杂的数学原理，使用的是神经网络的回归过程。
第二节介绍了其结构和原理。
首先，输入图像被划分为S*S块网格，对每块网格都会生成B个框的预测和C个类的预测，每个框的预测包含x坐标，y坐标，宽度，高度h和置信度，网络的输出为S x S x (B*5 + C)的张量。具体结构可如图3：
这种情况下，B=2，C=20，S=7，所以输出维度为7 x 7 x 30。
我认为，从网络的输入层到第一个全连接层（4096维特征向量之前）是一般的特征提取层，和inception_V3/V4等模型的瓶颈层之前的层类似，或者说在不考虑速度的情况下可以被这些模型的部分替代。
激活函数有两种：一种是线性函数，用在最后一层；另一种函数如式（2）：
损失函数由式（3）的几个部分组成：
其中，x和y为框的x和y坐标，w为框宽，h为框高，C为框的置信度，pi（c）为类c的概率，并且
文中提到了一个问题：在一般情况下，很多网格都是没有对应的框（即对应的置信度应该都为0），但是每个网格都会有5个对应的不为0的预测置信度，这会导致训练（梯度）被集中在置信度相关的部分。所以设置
对w和h取平方根是考虑到了小的框对小的偏移比大的框对小的偏移更敏感。
作者在来自PASCALVOC 2007 和 2012的数据集上进行了大约135个epochs的训练；batch大小为64；momentum为0.9；decay为0.0005；learning rate在刚开始的epochs（没计入135个epochs）中从0.0001持续上升到0.001，在后面的75个epochs中保持0.001，在之后30个epochs中为0.0001，并且在最后30个epochs中为0.00001，在第一个全连接层后面加了比率为0.5的dropout层；并且进行了相关数据增强。
第二节的最后，作者介绍了YOLO的局限性：
1，由于网格所能检测的目标数量是固定的（每快网格只能检测一个类），所以当检测重复小目标时效果不是很好。
2，最后的全连接层的输入是一维的特征向量（论文中说relatively coarse），泛化能力不强。
和3，就像上面所说，小的框对小的误差比大的框对小的误差更敏感。论文中只对宽度和高度做了有关处理，所以还是会因此出现定位不准确的问题。
第三节和第四节主要是与其他方法的对比和实验。这里就直接上实验结果，表1和图4：
图4表明，虽然Fast R-CNN正确率更高，但是错的也更离谱。
后面还有一个排行榜，表3：
}
可以看到，在标准实时性的同时，YOLO也达到了还可以的效果。值得注意的是，Fast R-CNN + YOLO实现了比单独Fast R-CNN还要好的结果。
结语：
{
其实YOLO的网络结构还是很容易理解的，我认为核心特点是最后的输出张量。另外，从实验结果可以看出，目标检测还是有很大研究空间。
}