yolo算法

我们介绍YOLO，一种新的物体检测方法。先前的物体检测工作重新设置分类器来执行检测。 相反，我们将对象检测框架化为空间分离边界框和相关类别概率的回归问题。 单个神经网络在一次评估中直接从完整图像预测边界框和类概率。 由于整个检测流水线是单个网络，因此可以直接针对检测性能端到端地进行优化。

我们的统一架构非常快。 我们的基础YOLO模型以45帧/秒的速度实时处理图像。 较小版本的网络Fast YOLO每秒处理惊人的155帧，同时实现其他实时检测器的mAP的两倍。 与最先进的检测系统相比，YOLO产生更多的定位误差，但不太可能预测背景上的误报。 最后，YOLO学习对象的非常一般的表示。 它比其他检测方法（包括DPM和R-CNN）在从自然图像推广到其他领域（如图稿）时更胜一筹。

一、介绍

人们瞥视图像，立即知道图像中的物体，它们在哪里以及它们如何相互作用。 人类的视觉系统是快速和准确的，使我们能够执行复杂的任务，例如驾驶时几乎没有意识的想法。 快速，准确的目标检测算法可以让计算机在没有专门传感器的情况下驾驶汽车，帮助辅助设备向人类用户传达实时的场景信息，并释放通用目标响应性机器人系统的潜力。
当前的检测系统将分类器重新用于执行检测。 为了检测对象，这些系统为该对象提供分类器并在不同的位置进行评估并在测试图像中进行缩放。 像变形零件模型（DPM）这样的系统使用滑动窗口方法，其中分类器在整个图像上的均匀间隔位置处运行。
最近的方法，如R-CNN使用区域建议方法首先在图像中生成潜在的边界框，然后在这些建议的框上运行分类器。 分类后，后处理用于细化边界框，消除重复检测，并根据场景中的其他对象重新定位框。 这些复杂的管道很慢，很难优化，因为
每个组件都必须