you only look once: unified, real-time object detection

创新点：提出了YOLO算法（将图像检测任务归类为回归，而不是原先的依靠分类器），大大的提高了检测速度。

YOlO的原理：
 

1. 将图像分成网格
   把输入图像划分成 S×SS×S 的网格（比如 7×77×7），每个网格负责预测一定数量的物体。

2. 每个网格预测多个边界框（Bounding Box）

   • 每个边界框预测：中心坐标 (x,y)(x,y)、宽高 (w,h)(w,h)、置信度（是否包含物体）。
     置信度：形式上，作者定义置信度为 Pr(Object) ∗ IOUtruthpred。如果该单元中没有物体存在，置信度分数应为零。否则，当然希望置信度分数等于预测框与真实框之间的交并比（ IOU）。

   • 同时预测物体的类别（比如“猫”“狗”）。

3. 端到端一次性输出
   YOLO 直接用卷积神经网络（CNN）处理图像，一次性输出所有网格的预测结果（边界框 + 类别），而不是像传统方法那样分多步处理。

依靠分类器进行图像检测：分两步（候选区域生成和分类判断）会生成大约2000个候选框，并对每一个进行分类。

架构：
网络架构受到图像分类 GoogLeNet 模型的启发 [34]。我们的网络有 24 个卷积层，后面跟着 2 个全连接层。我们不是使用 GoogLeNet 中使用的 Inception模块，而是简单地使用 1×1 降维层，后面跟着 3×3 卷积层

YOLO的局限性：

        由于每个网格单元只预测两个框并且只能有一个类别，YOLO对边界框预测施加了强烈的空间约束。这种空间约束限制了我们的模型可以预测的附近对象数量。我们的模型在处理成群出现的小型对象（如鸟群）时存在困难。
        由于我们的模型从数据中学习预测边界框，因此在新的或非标准的纵横比或配置的对象上泛化能力较差。由于我们的架构从输入图像中具有多个下采样层，因此我们的模型在预测边界框时使用相对粗糙的特征。
        最后，虽然我们使用近似检测性能的损失函数进行训练，但我们的损失函数在处理小边界框和大边界框中的错误时是相同的。在大边界框中的小错误通常是无害的，但在小边界框中的小错误对 IOU的影响要大得多。我们主要的错误来源是定位不准确。