問題1：YOLOv1的檢測原理是什麼？
將圖片分成S×S（論文中是7×7）的網格（grid），每一個具體的網格塊（grid cell）就負責檢測一個物體（object），所以YOLOv1在每張圖片中最多能檢測到S×S（論文中是49）個物體。對於大多數圖片來說，這已經足夠，通常在一張圖片中能夠有10個以上的主要目標就已經不常見了，但對於比較密集的人羣或畜羣來說，YOLOv1的檢測能力就比較差。
每個網格塊（grid cell）都對物體預測了B（論文中是2）個矩形邊框（bounding boxes），這個邊框的大小是可以超出當前網格範圍的，而且大部分情況下都是這樣。對於每個邊框都預測了（predictions）5個參數，分別是x，y，w，h，confidence.
其中，（x，y，w，h）決定邊框在圖片中的位置，（x，y）表示邊框的中心位置座標，（w，h）則表示邊框的寬度和高度，這4個參數值一旦確定，就可以在圖中唯一地畫出一個邊框。confidence則是對每個邊框預測的一個置信度分數（scores），代表這個邊框預測的準確程度。
對於confidence參數的含義，原文表述如下：These confidence scores reflect how confident the model is that the box contains an object and also how accurate it thinks the box is that it predicts.
從圖中看起來就會發現，有一些預測的邊框比較細，另外一些則比較粗，但其實每一個邊框的粗細都是一樣的，出現這種情況的原因就是有多個網格塊都預測到了這個物體，預測的邊框重合之後看起來就比較粗。
目標檢測的任務分爲兩塊，定位（在哪兒）與識別（是什麼）。邊框的預測只是解決了定位的問題，還需要對物體進行識別，也就是分類。
YOLOv1採用的數據集爲PASCAL VOC，這個數據集中一共有20個類別的物體，YOLOv1對每個類別都預測了一個條件概率（conditional class probabilities），一共有C（論文中爲20，因爲數據集有20個類別）個參數值，也就是在檢測到物體的情況下，這個物體是數據集中每一個類別的概率爲多大。
上圖中一共有5種不同的顏色，代表一個預測到了5個不同的類別，相同的顏色代表一個類別。
綜上，對於每一個網格塊（grid cell），YOLOv1的輸出是S×S×（B*5+C）個張量（tensor），論文中的輸出就是7×7×30的張 量。
網絡的輸入是448×448×3的彩色圖片，輸出就是7×7×30的張量
YOLOv1的檢測結果如下：
