之前的目标检测算法大都采用proposals+classifier的做法（proposal提供位置信息，分类器提供类别信息），虽然精度很高，但是速度比较慢，也可能无法进行end-to-end训练。而该论文提出的yolo网络是一个统一的single network，能够进行端到端的优化。作者说到，该结构特别快，base YOLO model可以做到每秒实时处理45帧图像。另外，yolo的smaller version，Fast YOLO，处理速度高达每秒155帧，虽然mAP有所下降，但是仍是其它实时检测算法的2倍。在效果上，与state-of-the-art 算法相比，YOLO的定位误差较高，不过分类精度相比有所提升。yolo的大致结构如Fig.1所示：
yolo的特点如下：
- yolo非常快。作者在设计网络时将detection视为回归问题，没有使用复杂的pipelines，而是仅仅使用了一个neural network，所以网络的速度很快；
- 与RCNN和Fast RCNN采用SS提取到的region proposals进行网络optimization的方式不同，yolo是在整幅图像上进行训练；
- yolo可以端到端地直接对detection performance进行优化，其训练与Fast RCNN都是single-stage(RCNN的训练是在multi-stage pipelines，因为存在SVMs等部分)；
- yolo在进行预测时可以理解整幅图像。与基于sliding window和region proposal的技术不同，yolo在训练和测试时能够”看到“entire image，所以yolo实际上理解了每个类别的上下文信息（context-tual information）和特征。也正是因为这个原因，yolo的分类精度比Fast RCNN高；
- yolo学习到的是目标的泛化表示（generalizable representations）。当用在natural images上训练的yolo在art-work上测试时，yolo的表现远超其它检测方法。因为Yolo的泛化能力非常强，所以更容易应用于新的领域或输入；
- yolov1没有使用anchor boxes，只是指定每个cell预测两个bounding boxes。由于没有先验知识anchor boxes，在训练时不需要根据 anchor boxes 调整训练集中 ground-truth boxes 的size，直接使用即可。
yolo的缺陷：
- 虽然yolo能够快速地识别图像中的目标，但是它很难精确定位一些目标，比如相互靠得很近物体（紧挨且中点在一个cell）、很小的群体目标（飞鸟等）。这是因为一个Grid cell只预测两个bounding boxes，并且每个cell只能有一类目标；
- 当测试时图像中的object以不常见的aspect ratio(长宽比)或者其它情况出现时，yolo表现的泛化能力很差；
- 虽然损失函数缓解大小bounding boxes定位误差权重相同的问题，但是影响仍然存在
Network Design
网络前部的convolutional layers(24层)用于从原始图像中提取特征，后面的全连接层(2层)用来预测输出概率和坐标。
yolo的网络结构参考了GoogLeNet模型，但是作者没有使用GoogLeNet模型中的inception modules，而是简单的采用了后面接着3*3 convolutional layers的1*1 reduction layers(降维层)。这种做法与NIN论文中提到的类似。整个网络如Fig.3所示（Fig.3中的层注释有点问题，顺序不对，红框之前的应该属于第二块注释）：
从Fig.3中可以看到，网络输入的是分辨率为448*448的图像，输出是7*7*30（VOC）的tensor。
yolo将输入图像分割成S*S的网格，每个网格负责检测中心落在其中的Objects。检测时，每个网格预测B个bounding boxes、B个对应的confidence scores以及C个条件类概率。
每个box的信息包括x, y, w, h, confidence。其中，x和y是box相对所在grid cell的bounds的中心坐标；w和h是预测到的相对整幅图像的宽和高；而confidence则反映了该box包含object的几率以及预测到的box的位置精确性，所以定义为
。训练时如果cell内不存在ground truth box，那么Pr(Object)=0，confidence自然为0，反之为1；如果predicted box与ground truth box的IOU较高，则说明预测的box位置比较精确。当Pr(Object)=1时，confidence就等于IOU值。
至于条件类别概率，可以表示为Pr(Classi|Object)，即在该cell包含object的情况下，box属于各类别的概率，因此每个cell的conditional class probabilities数目等于类别数。需要注意的是，是每个grid cell 而不是每个box有C个类别概率。
这样，在测试时通过将预测到的conditional class probabilities与cell内每个box的confidence相乘就可以得到每个box的指定类别的confidence scores。如下：
很明显，confidence scores表示的是每个box属于各个类别的几率与定位精度。
在每个cell内网络预测B个boxes，C个条件类别概率，而每个box包含x,y,w,h,confidence 5个信息，所以每个grid cell对应(B*5+C)个值。前面又提到，yolo将输入图像分割成S*S的网格，不难得出网络的最终预测输出共有S*S*(B*5+C)个值（也是网络输出张量的shape）。以VOC数据集（C=20）为例，yolo在该数据集上进行评估时使用S=7，B=2，得到的最终输出就是一个7*7*30的tensor。下图可以清晰地展现输出的组成（转自）：
Training
作者先使用Fig.3中前20层卷积层+1层average-pooling layer+1层fully connected layer组成的网络在ImageNet上进行分类器预训练，输入图像尺寸选择为224*224.
预训练完成后，将上述预训练好的网络转换成执行检测任务的model，做法是：在预训练后的前20层卷积层后面添加4层卷积层+2层全连接层，权重随机初始化（参考Object detection networks on convolutional feature maps）。另外，为了获得细粒度的视觉信息，将输入图像的分辨率由224*224提高到448*448。下图展示了整个模型的结构，其中梯形框代表预训练后的20层卷积层，C.R代表添加的4层卷积层，FCR和FC表示添加的2层全连接层（R表示使用斜率为0.1的Leaky Rectified Linear activation，最后一层FC使用线性激活函数）：
网络的最后一层全连接层同时预测出类别概率和bouding box坐标。不过，输出的box坐标xy被参数化成所在grid cell的位置的offsets，因而所在范围是[0,1]；同时，box的长宽也被输入图像的长宽归一化，自然也是在[0,1]范围内。在训练时，数据的真实输出也会被调整成相同的形式，以便于计算损失。
在损失函数设计方面，作者希望坐标(x, y, w, h)、confidence、classification这三个方面达到很好的均衡。虽然使用sum-squared error 会很容易优化，但简单地全部采用sum-squared error loss来计算会有如下不足：1）8维的定位误差和20维的分类误差同样重要显然不合理；2）在图像中，很多cells不包含任何object，这就会将这些网格中boxes的confidence scores push为0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。对此，作者的采取的做法是：增加坐标预测的损失权重，同时降低那些不包含objects的boxes带来的confidence loss权重，具体做法是引入两个参数λcoord=5、λnoobj = 0.5；另外，那些有object的bbox的confidence loss和classification loss的weight正常取1。这样损失函数就分成了4部分。
此外，在对不同大小的boxes进行预测时，小的boxes预测偏一点比大的boxes预测偏一点更加明显，而sum-square error loss对同样的偏移loss是一样的。为了缓解这个问题，作者使用了一个巧妙的办法，就是将box的width和height取平方根代替原本的height和width。如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大：
在训练时，一个grid cell预测多个bounding box，我们希望每个object只有一个bounding box负责。具体做法是选择与ground true box的IOU最大的bounding box负责该object的预测。这种做法称为bounding box prediction的specialization。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。
至此，可以得出训练使用的multi-part loss function，一共分为四部分，如下图：
需要注意的是，loss function只处罚（penalizes）有object的grid cell的classification error，同样，也只处罚对ground true box负责的bounding boxes的定位误差，上图中有显示。这很好理解，不存在object的cell和bbox根本就没有误差。
论文中训练的细节：
- 在取自PASCAL VOC 2007和2012的训练集和验证集上训练网络135 epochs，然后仍然在VOC 2007和2012数据集上进行测试。在训练过程中batch size 为64，冲量为0.9，衰减因子为0.0005；
- learning rate schedule如下：在最初的若干epochs内，缓慢的将学习速率从e-3提高到e-2。如果训练之初就使用较高的学习速率，可能会因为梯度不稳定导致模型发散。然后在继续使用e-2训练75 epochs后再使用e-3训练30 epochs，最后再使用e-4训练30 epochs
- 为了避免过拟合，作者使用了Dropout和data augmentation两种方法。网络中在第一个全连接层之后使用了rate=0.5的dropout layer，目的是prevents co-adaptation between layers(防止层间的共同作用，参见论文)。在数据增强时，随机scale和translation原始图像的尺寸的20%。同时，还在HSV颜色空间对图像的曝光度和饱和度随机调整最高1.5倍。
Testing（Inference）:
与训练相同，对一幅图像的测试也只需要经过a single network。
测试时输出tensor的shape为（S, S, B*(4+1)+C）,需要对其进行翻译（interpretation)才能得出bounding boxes和类别信息。翻译时，先按照如下公式计算出各boxes的confidence scores，然后根据设定的阈值滤掉得分低的boxes，最后使用NMS来剔除冗余的bounding boxes：
之所以使用非极大值抑制，是因为预测的结果中可能多个bounding box对应一个ground true box，比如一些大object和靠近多个cells的object可能会被多个cells定位，这时就需要使用Non-maximal suppresion来剔除冗余的bounding boxes。论文中说到，NMS在mAP上提升了2%-3%。
翻译过程如下列图片所示：
得到每个bbox的class-specific confidence score以后(初步得到7*7*2=98个boxes)，设置阈值，滤掉得分低的boxes（有些boxes不含有object），对保留的boxes进行非极大值抑制处理，就得到最终的检测结果。
参考文章：
- 图解YOLO
- 深刻解读YOLO V1（图解）
- YOLO:实时目标检测
- darknet版源码
- tensorflow版源码
- YOLO源码解析
- 论文You Only Look Once: Unified, Real-Time Object Detection