YOLO

所谓端到端的目标检测方法，这些方法无需区域提名。YOLO的全称是You Only Look Once，顾名思义，就是只看一次，进一步把目标判定和目标识别合二为一，所以识别性能有了很大提升，达到每秒45帧，而在快速版YOLO（Fast YOLO，卷积层更少）中，可以达到每秒155帧。

YOLO步骤

（1）把输入图片缩放到448*448大小。

（2）运行卷积网络。

（3）对模型置信度卡阈值，得到目标位置与类别。

YOLO网络的模型如上图所示，将448*448大小的图片切成 $S\times S$ 的网格，目标中心点所在的格子负责该目标的相关检测，每个网络预测 $B$ 个边框及其置信度，以及 $C$ 种类别的概率。在YOLO中 $S=7, B=2,C$ 取决于数据集中物体类别数量，比如VOC数据集就是 $C = 20$ 。对VOC数据集来说，YOLO就是把图片统一缩放到448*448，然后每张图平均划分为 $7\times 7 =49$ 个小格子，每个格子预测 $2$ 个矩形框及其置信度，以及20种类别的概率。较大的物体可能会由多个网格单元提名，YOLO采用了NMS（Non-Maximum Suppression，非最大抑制）的方法来过滤结果。NMS将mAP提升了2~3个百分点。

YOLO简化了整个目标检测流程，速度的提升也很大，但是YOLO还是有不少可改进的地方，比如 $S\times S$ 的网格就是一个比较启发式的策略，如果两个小目标同时落入一个格子中，模型也只能预测一个；另一个问题是损失函数对不同大小的bbox未做区分。

Source

YOLO: Real-Time Object Detection

YOLO: Real Time Object Detection · pjreddie/darknet WikiGitHub

You Only Look Once: Unified, Real-Time Object DetectionarXiv.org