YOLO V1是继 RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps，简化版本155fps。

YOLO

1.YOLO 的核心思想

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

YOLO工作的流程图如下：

è¿éåå¾çæè¿°

大致步骤为：

整个图片resize到指定大小，得到图片Inputrs
将Inputrs塞给CNN
使用NMS(非极大值抑制)去除多余框，得到最后预测结果

YOLO 的实现方法

将一幅图像分成 SxS 个网格（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。

其中，每个单元需要做3件事：

1. 如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。

2. 每个网格要预测 B 个 bounding box，每个 bounding box 除了要回归自身的位置之外，还要附带预测一个 confidence 值。也就是预测的B个(x,y,w,h,confidence)。其中，(x,y)是bbox的中心相对于单元格的offset，(w,h)是bbox相对于整个图片的比例。

Confidence：
这个置信度有两个含义：一是格子内是否有目标，二是bbox的准确度。我们定义置信度为.

如果格子内有物体，则Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0，此时置信度为0。

3.每个单元格需要预测C(物体种类个数)个条件概率值.

每个网格在输出bbox值的同时要给出给个网格存在object的类型。记为:Pr(Classi|Object)，这是条件概率。需要注意的是：输出的种类概率值是针对网格的，不是针对bbox的。所以一个网格只会输出C个种类信息。(这样就是默认为一个格子内只能预测一种类别的object了，简化了计算，但对于检测小object很不利)。

在检测目标时，我们把confidenceconfidence做处理：

这就是每个单元格的class-specific confidence scores，这即包含了预测的类别信息，也包含了对bbox值的准确度。我们可以设置一个阈值，把低分的class-specific confidence scores滤掉，剩下的塞给非极大值抑制，得到最终的标定框。

YOLO 的实现细节

预训练

使用上图的前20个卷积层+平均池化+FC层在ImageNet上跑了一圈。(在ImageNet上跑是用的224×224输入)。

预训练完事后，也就是get到了想要的前20个卷积层权重，在此基础上添加4个卷积层和2个FC层，得到最终模型(也就是上图)。同时将网络的输入尺寸从224×224改成了448×448。

损失函数

这个损失函数中：

1.只有当某个网格中有 object 的时候才对 classification error 进行惩罚。

2.只有当某个 box predictor 对某个 ground truth box 负责的时候，才会对 box 的 coordinate error 进行惩罚，而对哪个 ground truth box 负责就看其预测值和 ground truth box 的 IoU 是不是在那个 cell 的所有 box 中最大。

其他细节，例如使用激活函数使用 leak RELU，模型用 ImageNet 预训练等等。