人类在观察一张图像时，对于图像中的物体通常可以秒辨认并定位，完全不用太多的思考。因此目标检测的要求不仅要准，而且要快。而在YOLO出现之前，RCNN系列是目标检测中最精准的算法，虽然faster rcnn比最初始的RCNN快了很多，但其速度也只有7fps。究其原因是RCNN系列将 Proposal 的选取和选定 Proposal 后的分类和回归分作两个stage，就算用 RPN 网络取代 selective search，仍然是两个stage，因此导致了检测的缓慢。
YOLO算是one stage的开山之作，虽然精度不及当时的Faster RCNN，但他的检测速度达到Faster RCNN的6-7倍，此外还有更小更快的网络 Fast YOLO，速度更是达到了Faster RCNN 的22倍。而精度方面，YOLO 的 mAP 虽不及 Faster RCNN，但相差的可以接受。
one stage意味着候选框的选定，分类和回归都是在一个CNN中，实现了端到端的训练。
如上图所示，YOLO将一张自然图像分割为7*7的grid cell，每一个grid负责预测两个bounding box，每一个bounding box对应五个值：x, y, w, h和置信度。其中 (x, y) 表示bounding box 的座标中心相对于所处的grid cell的左上角的偏置； (w, h)表示候选框的长和宽与整个图像长和宽的比值，这样座标和长宽四个参数都可以做到归一化（归一化的目的是为了防止计算loss时数值较大的参数产生的梯度覆盖掉较小参数的影响）；置信度表示该bbox中包含目标物体的信任度，可以用 来计算，第一项表示bbox中包含物体的可能性，如果候选框中没有任何物体，那么他的值为0，整个置信度也为0；如果有物体，那么置信度就和bbox和GT的IOU相等。
一个grid cell除了预测两个bbox，还需要预测这里面包含的物体类别，原文中采用PASCAL VOC数据集，因此总共20个类别。值得注意的是，一个grid cell只做一次类别预测，尽管里面有两个bbox，但相当于这两个bbox预测某一类物体，这里其实也是YOLO的一个不足之处。这里可能会疑惑，既然预测同一类物体，为何要用两个box，一个不就够了吗？我的想法是，这相当于让两个人去做同一项任务，这两个之间必然有一个做的更好，用在这里应该也是一样的，在两个框中取IOU或置信度更高的那个。
此外还有一个 20 维的类别向量。训练阶段只需要判断物体的中心是否在box中，如果在的话给这一维度的值打上 1 的标签即可；而在测试阶段，需要在这个预测值的基础上乘置信度，对应论文中的 ，前一项是预测的每个类别的概率，后两项乘积为置信度，这是为了防止很大，而置信度接近 0 的情况，这种情况也不能认定bbox中有那个预测概率很大的物体。
因此整个网络的输出为。网络的模型结构如下：
网络模型受到GoogleNet启发，不过并没有用Inception模块，而是用后接卷积的操作以减少模型参数，最后一层采用线性激活函数，其他层采用Leaky Relu。
模型输入为的三通道图像，经历了若干卷积池化层以后，得到的输出为的向量，与上文相对应。
整个模型训练时的损失函数如下：
其中和是为了平衡数量级用的调节参数，如果不加这个参数，可能导致有些项的数值和梯度太大，覆盖了其他较小项的影响；表示的是第i个cell的第j个bbox包不包括物体，如果包括则该值为1，需要考虑座标、置信度和类别的因素；如果不包括，则该值为0，而为1，这时只需要考虑第四行的置信度项即可。
还有一点是为什么这里的w和h都带根号？这是因为对于较大的框，些许的座标误差影响不是太大；而较小的框更加敏感，些许的误差带来的影响可能会比较大。我的理解是，加上根号相当于自身是一个二阶导不断减小的增函数，因此在w和h较大的部分的平均变化率要更小。举个例子现在有两个预测box对应的的，其中，所以第一个box的敏感程度更高，假设这两个box都对应一个GT，GT的宽度表示为w（w刚好等于二分之一的），那此时比更大，loss惩罚在小候选框上更加严厉。
我们发现，损失函数的每一项都是L2 Loss，并且对于分类问题也是如此，因此YOLO将分类问题转化为了回归问题。