目前目標檢測算法有很多，譬如：R-CNN，Faster R-CNN，DPM，RPN等等，YOLO也是其中之一，YOLO是當前目標檢測算法中發展最爲迅速的一個。YOLO結合了GooleNet modification和卷積神經網絡的知識，可以對圖像中的物體進行分類和定位。卷積神經網絡對於物體分類來說效果是很好的，YOLO利用卷積層提取物體特徵，通過全連接層進行分類和定位。接下來，我將大概講一下YOLO的原理。
YOLO算法屬於迴歸問題。
第一步：將圖像劃分爲S*S的柵格（grid cell），如左下圖，這裏分成了7*7的grid cell。柵格的任務是：檢測中心落在該柵格中的物體（注意，柵格中心未必與物體的中心重合，這個一定要明確，對後面的理解纔不會產生影響）。
第二步：一個grid cell 可以預測B個bounding boxes（包圍盒，以下簡稱bbox），包括預測bbox的confidence scores。bbox有五個預測值，分別是x，y（代表預測的bbox的中心與grid cell 邊界的值），w，h（代表預測的bbox的width/height相對於整個圖像width，height的比例），confidence（代表預測的bbox和ground truth box的IOU值）。
confidence = Pr（object） * IOU
一個bbox對應一個confidence score，如果grid cell裏面沒有object，confidence就是0，如果有，則confidence score等於預測的box和ground truth的IOU值，見上面公式。
在此解釋一下IOU的意思，ground truth box是物體實際的位置，而IOU=bbox與ground truth box的交集/二者的並集，即交併比（重疊度），如右上圖。
第三步：每個grid cell 還要預測C個conditional class probability （條件類別概率），即Pr (Class|Object)。即預測出，在grid cell包含object的條件下，該object屬於某個類的概率。
注意，一個grid cell只需要預測一組（C個）類的概率，而不需要考慮bbox的數量。因爲一個grid cell預測的B個bbox框住的都是同一個物體。也就是說，類別概率是針對grid cell的。
在本文中取S=7，B=2，C=20（因爲PASCAL 數據集有20個類別），所以最後有7*7*30（30=B*5+C，每個bbox有5個預測值）個tensor。
測試階段：將每個grid cell的conditional class probability與每個bbox的confidence相乘：
Pr（Class | Object） * Pr（Object） * IOU = Pr（Class） * IOU
想知道這個乘法到底是怎樣實現的嗎？先看下圖
每個bbox的confidence和每個類別的score相乘，得到每個bbox屬於哪一類的confidence score。也就是說最後會得到20*（7*7*2）=20*98的score矩陣，括號裏面是bbox的數量，20代表類別。接下來的操作都是20個類別輪流進行：在某個類別中（即矩陣的某一行），將得分少於閾值（0.2）的設置爲0，然後再按得分從高到低排序。最後再用NMS算法去掉重複率較大的bbox（NMS:針對某一類別，選擇得分最大的bbox，然後計算它和其它bbox的IOU值，如果IOU大於0.5，說明重複率較大，該得分設爲0，如果不大於0.5，則不改；這樣一輪後，在選擇剩下的score裏面最大的那個bbox，然後計算該bbox和其它bbox的IOU，重複以上過程直到最後）。最後每個bbox的20個score取最大的score，如果這個score大於0，那麼這個bbox就是這個socre對應的類別（矩陣的行），如果小於0，說明這個bbox裏面沒有物體，跳過即可。
前面提到了YOLO主要採用GoogLeNet，卷積層用來提取特徵，全連接層用來預測圖像位置和類別概率值。如下圖網絡設計：
YOLO網絡雖然借鑑了GoogLeNet分類網絡結構，但是YOLO未使用inception module，而是使用1x1卷積層（此處1x1卷積層的存在是爲了跨通道信息整合）+3x3卷積層簡單替代。
以上是對YOLO原理的初步理解，關於YOLO的損失函數，我們下次再講。
參考鏈接：https://blog.csdn.net/u014380165/article/details/72616238
https://blog.csdn.net/hrsstudy/article/details/70305791