YOLO v2推理过程介绍

这大概是在2017年底的时候写的，当时还研究了一下faster rcnn和ssd的推理过程。后来YOLO v3出来了，这个就放在一边没理了。现在发出来凑个篇数。

YOLO (You only look once) 是业界第一个端到端的图像目标检测方法，和Faster RCNN相比，不再需要RPN（region proposal network）来生成候选区域ROIs，因此，检测速度更快，更加可以满足实时检测的要求。YOLO第一版本算法 将一张图片均分为SxS个网格（grid），每个网格对应B个bounding box，但是，对目标概率的检测是基于每个网格进行，而不是基于每个bounding box进行，因此，碰到目标不是落在单个网格中的情况，检测准确性有所下降。YOLO v2 做了很多改进，再次确定了YOLO在图像目标检测领域的重要地位，和SSD(single shot multibox detector) 并列为端到端图像目标检测的两大流派。

YOLO 算法都已由作者基于Darknet 实现并开源 ，本文基于YOLO v2的例子程序，以yolo.cfg 为网络模型，yolo-voc.weights 为模型参数（支持80种分类），dog.jpg 为待检测图像，分析了YOLO v2算法的推理过程。这三个文件的网址是：
https://github.com/pjreddie/darknet/blob/master/cfg/yolo.cfg
https://pjreddie.com/media/files/yolo-voc.weights
https://github.com/pjreddie/darknet/blob/master/data/dog.jpg

• YOLOv2整体网络结构