YOLO原理：《You Only Look Once:Unified, Real-Time Object Detection》
引用：https://ziyubiti.github.io/2016/12/25/yolopaper/
對與YOLO原理的介紹，該文章簡短明瞭，在此引用。
YOLO對實時視頻的目標檢測非常快，可達45FPS。這主要得益於其精妙的設計，對整體圖片進行操作，相比R-CNN等大大降低了運算量。
YOLO的設計思想：
1、將圖片劃分爲S ✖️S的grid cell小網格，每個小網格給出B個bounding box判決，每個邊界盒判決包括5個信息，（x，y，w，h，object_prb）,x/y爲box的中心座標，w、h爲box的長寬，object_prob爲box內存在物體的概率Pr（Object）。
2、每個小網格給出有物體存在時的C個分類的條件概率，Pr（Class|Object），從而可以得到整體圖片中各個小網格內的各分類概率，Pr（Class）=Pr（Class|Object）* Pr（Object）,設置合適判決門限，高於判決門限的就是識別出的目標分類。
3、根據各個小網格中的已識別目標分類，及對應的邊界盒信息，可以計算出各個目標的整個分割區域位置信息，座標、長寬等，從而在圖像或視頻中標記出來。
YOLO demo中，S=7，B=2，C=20，則網絡最終輸出7✖️7✖️（2✖️5+20）=1470，如下圖：
