背景
之前热门的目标检测方法都是two stage的，即分为region proposal和classification两个阶段，本文是对one stage方法的初次探索。
方法
首先看一下模型的网络结构，输入的原图片，经过24个卷积层提取特征，全连接层输出一个7*7*30的tensor，这个tensor里面就包含我们预测的结果了。
那么这个7*7*30的tensor包含哪些信息呢？
首先，7*7可以映射到448*448的原图片中，得到7*7个64*64的grid cell，对于原图中的每一个目标，中心点落在哪个grid cell里，就交给它来预测。
而每个grid cell可以预测两个目标的位置(x,y,w,h)，还有他们的置信度confidence=Pr(Object)*IOU，但是论文里面规定两个目标类别一致，所以再加上class属性，一共20种。
2*4+2+20=30
总结
YOLO v1比较简单，用回归的思想做检测，但在读论文的时候明显能感觉到有很多人为的特殊规定，所以效果也一般般。
缺点
检测的位置不准；密集物体检测的效果不好(只要一个grid cell里面的物体多于2个就检测不到了)。