（YOLO）You Only Look Once:Unified, Real-Time Object Detection
过程：
①将图像固定为448×448大小，送入卷积神经网络。
②划分成7×7 的网格，对于每个网格，我们都预测2个边框
（每个边框（x,y,w,h）是目标的置信度以及每个边框区域在多个类别上的概率）
③根据上一步可以预测出7×7×2个目标窗口，然后根据阈值去除可能性比较低的目标窗口，并用NMS去除冗余窗口，最后得到目标的边框信息和类别。
LOSS：
Loss = 位置相关误差（坐标、IOU）+分类误差
优点：
YOLO将目标检测任务转换成一个回归问题，大大加快了检测的速度，使得YOLO可以每秒处理45张图像（Faster RCNN每秒处理5张图像）
缺点：
没有了region proposal机制，只使用7×7的网格会使得目标不能非常精准的定位，这也导致了YOLO的检测精度并不是很高。
YOLO 9000: better, faster, stronger
改进：
（1）Batch Normalization（批标准化）【使用BN加速收敛】
在所有的卷积层上加入BN，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖。
（2）High resolution classifier（高分辨率分类器）【提高图像分辨率】
分类网络以448×448（原224×224）的分辨率先在ImageNet上进行Fine Tune（微调），让网络能更好的运行在新分辨率上，再用高分辨率图像进行训练。
（3）Convolution with anchor boxes 【修改网络层、加入新结构】
去掉网络的全连接层，并使用Anchor Boxes来预测 Bounding Boxes。（该方法类似于SSD）
（4）Dimension clusters（尺寸聚类）
在YOLO中使用 anchor boxes 时，网络通过学习调整 boxes，为选择更好的先验知识，而非手工选择先验知识，使用 K 均值聚类方法自动找到好的先验知识。
（5）Direct location prediction（直接定位预测）
使用 anchor boxes 时，尤其在迭代初期模型会不稳定，这种不稳定性主要来自于矩形框坐标的预测。这里对位置预测加入了适当的约束参数，提高了稳定性。
（6）Fine-Grained Features（细粒度特征）【合理利用多层特征】
YOLO是在 13×13的特征图上进行预测的，这个尺寸对于大的物体是没有问题的，但是针对小目标，这里我们加入一个 a passthrough layer 引入上一层 26×26的卷积特征。将这两层特征综合起来进行预测。
（7）Multi-Scale Training 【训练集使用不同尺寸的图像】
网络只有卷积和池化，所以我们在训练时输入不同尺寸的图像，这使得我们的网络可以在不同输入尺寸图像上都有很好得检测效果。
实验结果：
Detection frameworks on PASCAL VOC 2007
总结： better, faster, stronger
YOLO 9000 的网络结构允许实时地检测超过9000种物体分类，这归功于它能同时优化检测与分类功能。使用WordTree来混合来自不同的资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，YOLO9000进一步缩小了监测数据集与识别数据集之间的大小代沟。
详细版本参考：
YOLO：
https://zhuanlan.zhihu.com/p/25236464
https://zhuanlan.zhihu.com/p/21412911
YOLO9000：
https://blog.csdn.net/hysteric314/article/details/53909408
https://blog.csdn.net/zhangjunhit/article/details/54631113