人類在觀察一張圖像時，對於圖像中的物體通常可以秒辨認並定位，完全不用太多的思考。因此目標檢測的要求不僅要準，而且要快。而在YOLO出現之前，RCNN系列是目標檢測中最精準的算法，雖然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系列將 Proposal 的選取和選定 Proposal 後的分類和迴歸分作兩個stage，就算用 RPN 網絡取代 selective search，仍然是兩個stage，因此導致了檢測的緩慢。
YOLO算是one stage的開山之作，雖然精度不及當時的Faster RCNN，但他的檢測速度達到Faster RCNN的6-7倍，此外還有更小更快的網絡 Fast YOLO，速度更是達到了Faster RCNN 的22倍。而精度方面，YOLO 的 mAP 雖不及 Faster RCNN，但相差的可以接受。
one stage意味着候選框的選定，分類和迴歸都是在一個CNN中，實現了端到端的訓練。
如上圖所示，YOLO將一張自然圖像分割爲7*7的grid cell，每一個grid負責預測兩個bounding box，每一個bounding box對應五個值：x, y, w, h和置信度。其中 (x, y) 表示bounding box 的座標中心相對於所處的grid cell的左上角的偏置； (w, h)表示候選框的長和寬與整個圖像長和寬的比值，這樣座標和長寬四個參數都可以做到歸一化（歸一化的目的是爲了防止計算loss時數值較大的參數產生的梯度覆蓋掉較小參數的影響）；置信度表示該bbox中包含目標物體的信任度，可以用 來計算，第一項表示bbox中包含物體的可能性，如果候選框中沒有任何物體，那麼他的值爲0，整個置信度也爲0；如果有物體，那麼置信度就和bbox和GT的IOU相等。
一個grid cell除了預測兩個bbox，還需要預測這裏麪包含的物體類別，原文中採用PASCAL VOC數據集，因此總共20個類別。值得注意的是，一個grid cell只做一次類別預測，儘管裏面有兩個bbox，但相當於這兩個bbox預測某一類物體，這裏其實也是YOLO的一個不足之處。這裏可能會疑惑，既然預測同一類物體，爲何要用兩個box，一個不就夠了嗎？我的想法是，這相當於讓兩個人去做同一項任務，這兩個之間必然有一個做的更好，用在這裏應該也是一樣的，在兩個框中取IOU或置信度更高的那個。
此外還有一個 20 維的類別向量。訓練階段只需要判斷物體的中心是否在box中，如果在的話給這一維度的值打上 1 的標籤即可；而在測試階段，需要在這個預測值的基礎上乘置信度，對應論文中的 ，前一項是預測的每個類別的概率，後兩項乘積爲置信度，這是爲了防止很大，而置信度接近 0 的情況，這種情況也不能認定bbox中有那個預測概率很大的物體。
因此整個網絡的輸出爲。網絡的模型結構如下：
網絡模型受到GoogleNet啓發，不過並沒有用Inception模塊，而是用後接卷積的操作以減少模型參數，最後一層採用線性激活函數，其他層採用Leaky Relu。
模型輸入爲的三通道圖像，經歷了若干卷積池化層以後，得到的輸出爲的向量，與上文相對應。
整個模型訓練時的損失函數如下：
其中和是爲了平衡數量級用的調節參數，如果不加這個參數，可能導致有些項的數值和梯度太大，覆蓋了其他較小項的影響；表示的是第i個cell的第j個bbox包不包括物體，如果包括則該值爲1，需要考慮座標、置信度和類別的因素；如果不包括，則該值爲0，而爲1，這時只需要考慮第四行的置信度項即可。
還有一點是爲什麼這裏的w和h都帶根號？這是因爲對於較大的框，些許的座標誤差影響不是太大；而較小的框更加敏感，些許的誤差帶來的影響可能會比較大。我的理解是，加上根號相當於自身是一個二階導不斷減小的增函數，因此在w和h較大的部分的平均變化率要更小。舉個例子現在有兩個預測box對應的的，其中，所以第一個box的敏感程度更高，假設這兩個box都對應一個GT，GT的寬度表示爲w（w剛好等於二分之一的），那此時比更大，loss懲罰在小候選框上更加嚴厲。
我們發現，損失函數的每一項都是L2 Loss，並且對於分類問題也是如此，因此YOLO將分類問題轉化爲了迴歸問題。