yolo为什么快

yolo是单阶段检测算法的开山之作，最初的yolov1是在图像分类网络的基础上直接进行的改进，摒弃了二阶段检测算法中的RPN操作（基于滑窗的无类别object检测器），该算法不是先对图像进行区域划分再进行卷积提特征分类，直接对输入图像进行端到端的分类预测和回归，所以它相对于二阶段的目标检测算法而言，速度非常的快，但是精度会低很多；但是在迭代到目前的V4、V5版本后，yolo的精度已经可以媲美甚至超过二阶段的目标检测算法，同时保持着非常快的速度，是目前工业界内最受欢迎的算法之一。yolo的核心思想是将输入的图像经过backbone特征提取后，将得到的特征图划分为S x S的网格，物体的中心落在哪一个网格内，这个网格就负责预测该物体的置信度、类别以及坐标位置。

具体优势有：

1、为了缩小对象检测的范围，对图像进行小方格划分，使对象最好都能够分配到一个属于它的小方格中，判断依据是对象的中 心点是否在划分的方格中。这样输出的检测结果更准确，所以检测性能好；
2、当输入一张图片，通过网络卷积核池化，会输出一个nxnxm的三维矩阵，且1x1xm刚好代表一个小方格所检测出来的对象和类别，这样yolo检测算法速度就快了。
3、非极大值抑制，可以用IOU来在预测的bounding box中选出最终的答案。如果有n个同类的对象，则利用一次非极大值抑制就会得到n个概率高的输出（IOU小于0.5），如果有n个不同的对象，则需要循环迭代n次非极大值抑制算法；
4、Anchor box：解决两个对象中心点落在同一个小方格中的问题。假设一数据集有n个anchor box，有两个中心点落在了同一个方格中，则那个bounding box与anchor box的IoU最大，就放到对应anchor box的位置。但是anchor box对两个对象以上中心点落在同一个小方格的效果不好。