YOLO论文：You Only Look Once: Unified, Real-Time Object Detection
YOLO的思想是，摒弃R-CNN系列网络的多层复杂结构，改为直接采用端到端的网络同时预测目标类别和边界框。
得益于这种网络结构，YOLO能够在很快（几乎可以实时处理视频）的时间内进行前向传播。此外，YOLO直接以整张图象作为输入，这意味着特征提取网络能够隐式地提取图像全局的上下文信息，从而大幅降低了将背景误认为是目标的频率——与R-CNN系列的、基于区域建议的网络相对比，因为这些网络只在乎区域建议里的图像内容/特征图像内容。据作者表示，YOLO还有一定的迁移能力：用自然图像训练的YOLO网络能够较正确地识别绘画，不过没说为什么（看到了再补上）。
YOLO的缺点是，在精确度方面仍不及当时最先进的目标检测网络。尽管YOLO能够快速地区分图像中的目标，却很难精准地定位它（尤其是较小的目标，这与YOLO1的设计有关，在后续的版本中有所改善）。总之这也是网络在速度和精度上的一种取舍吧。
数据结构设计
YOLO将图像分为的网格（在实现时
取
），如果一个目标的中心落在某个网格内，那么这个网格将负责预测这个目标。
每一个网格预测组边界框参数
以及这些边界框的置信分数（在实现时
取
）。
表示边界框的中心位置，位置相对于所在网格，对网格大小normalize；
表示边界框宽和高，对整张图像大小normalize。置信分数表示有这个边界框中是否有目标，以及这个边界框和实际目标的边界框有多吻合，其定义为
，即如果没有目标则为0，如果有目标则为预测框和实际框的IOU。
同时，每一个网格还预测总共个类别每一个类别的置信度，
（在实现时
取
），只在边界框置信分数不为0时有意义。
所以，YOLO网络在上述参数下的实现，其输出为一个的三维张量。
上述两个评价指标相乘，定义一个同时涵盖边界框预测置信分数和分类置信度的评价标准：
网络结构设计
由于YOLO的端到端设计理念，它的网络结构十分简单。就是24个卷积层和2个全连接层（在YOLO的轻量级版本Fast YOLO中，为了提高前向传播速度，只采用了9个卷积层），接收448×448的输入图像。
（这个网络结构图里，方块图和下面的卷积层参数并没有对齐...所以不要看方块图了，只看下面的参数就好）
训练
在预训练中，使用了网络的前20个卷积层，加上额外的一个平均池化层和一个全连接层。预训练进行了一个星期。
在fintune阶段，加上后面的4个卷积层和两个全连接层，前置的研究表明这样有助于让模型有更好的表现。前面20层没说还训练不训练，应该是固定了吧。
除了最后一层，其它层都用了Leaky ReLu作为激活函数：
Leaky ReLu可以让神经元在输出负值时仍能对网络权重更新有贡献。（但是为什么主要采用的激活函数是ReLu而不Leaky ReLu？）
损失函数
YOLO采用的损失函数，以及解读：
第一项：对所有包含目标的网格而言，其两个Bounding Box中心坐标的预测误差；第二项：对所有包含目标的网格而言，其两个Bounding Box尺寸的预测误差。这两项一并理解为Bounding Box位姿参数的预测误差，因为只有在网格包含目标的情况下Bounding Box位姿才是有意义的，所以只在这种情况下累积误差。这两项误差还要乘上一个值，这个主要是因为作者希望模型能够更好地预测边框。
第三项、第四项：预测网格是否包含目标时的误差。但如果网格实际上不包含目标，则累积的误差还要乘上一个值，因为一般在一幅图中，更多的网格不包含目标，但实际上我们更看重网络预测出True Positive而不是Ture Negative的能力，所以需要抑制一下不包含目标的网络贡献的误差。
第五项：对所有包含目标的网络而言，其分类误差。
所以其实YOLO的整个设计都是比较简单的。
超参数
训练了135个epoch，batchsize为64，momentum为0.9，decay为0.0005。
学习率在最开始的几个epoch从升到
，然后再随着epoch增加而降低至
。之所以要先升高一段，是因为，其实前面的epochs需要大学习率来加速梯度下降，但是一开始就应用太大的学习率会导致模型发散。
在第一个全连接层后面加了概率为0.5的dropout。
数据增强：随机平移、尺度缩放、调节图像饱和度。
YOLO1的局限性
首先，由于YOLO的数据结构设计，每个网格最多预测一个物体，所以较小且密集的目标是预测不出来的。
其次，YOLO通过网络直接预测Bounding Box，所以很难预测出一些具有不寻常的的长宽比的Bounding Box。
还有，YOLO在累积误差的时候并没有考虑Bounding Box的大小，但是实际上，对于Bouding Box中心点的预测而言，一个小的误差在小Bounding Box上往往比在大的Bouding Box上更严重。所以YOLO1在Bounding Box定位上经常有不理想的误差。
另外，YOLO末尾的全连接层完全是多此一举。对每个网格输出一个向量，不如直接通过卷积完成。
