1、ubified detection
将图片分割成 s * s 个格子，如果目标的中心落在其中的一个格子内，那么由这个格子负责检测目标。
每一个格子预测B个 bounding boxes 和C个概率（数据集中的类别数，注意，这里和R-cnn系列不同，R-cnn系列是预测 C+1 个概率，多了一个背景概率）。其中，每个 bounding boxes 包含5个预测值：x, y, w, h 和置信度（即，IOU）。在这里， x, y, w, h 需要进行归一化。归一化的方法：(1) x, y ：所在格子的偏移量 （2）w, h ：和整个图片的比例。那么网络最终输出的维度为： s * s * (B * 5 + C)。
2、Network Design
1. 网络结构：24个卷积层（主要为 1* 1 和 3* 3 卷积）+ 2个全连接层。
2. 训练过程：首先用ImageNet-1000数据集对前20个卷积层进行预训练，然后加入4个卷积层和2个全连接层进行训练，新加入的层的参数进行随机初始化。误差函数用欧式距离，但是会存在一些问题，所以需要进行一些改进。
存在的问题：
（1）定位误差和分类误差对总误差产生相同的影响，直觉上觉得它们所起的作用应该不同。
（2）在一张图片中，大部分的格子中没有目标，所以它们会淹没掉含有目标的给子的信息，因此给它们分别加上系数来改变影响力，有目标的格子：λ=5，没有目标的格子： λ=0.5
（3）对于在large box中的物体和在small box 中的物体，目标函数同等对待，这不符合实际，我们知道，对于预测的bounding box，一般会和ground truth有差别，对于large box来说，一些小的差别影响不大，但是如果是比较小的box，可能就会偏差很多。
因此，我们需要减少large box的影响，增加small box的影响。论文中的做法是：对w和h求平方根。（ps：①这种做法只能缓解影响，不能从根本上解决问题。②这也是造成YOLO不好收敛的一个原因，而在R-cnn系列中，回归的是offset，就不会出现这种问题，所以在YOLOv2中，作者借鉴了这种方法，不过做了一些改变。）
3. 虽然YOLO每个grid里面有B个box，但是只取其中的一个进行预测（注意，在inference阶段，所有的box都会采用）。选取的标准是：取IOU最大的那个box，这种做法可以取得更好的效果。
3、Inference
预测的过程比较简单，可以采取以下几个步骤进行：
（1）将所有的bounding box的C个概率乘以它们所在格子的置信度，这样会得到20行98列的矩阵（Pascal数据集，每张图片分割成7 * 7的格子）
（2）对矩阵的每一行进行如下操作（也就是，分别操作每个类别）：①按照数值从大到小进行排序，然后取一个阈值：0.2，将小于0.2的数值直接改为0。 ②对剩余的非0元素进行NMS操作，NMS的阈值取0.5。
（3）剩余的非0元素就是我们预测的目标概率（实际上是：概率*置信度），行代表对应的目标类别，每一列对应一个bouding box。
4、Limitation
（1）YOLO仅仅划分成7 * 7的格子，而且每个给子只预测2个bounding box，所以对小目标的预测效果并不好，而且对于密集的目标预测效果也不好。
（2）因为YOLO是直接做回归，而且从现有的数据中进行学习，所以，如果遇到一些宽高比或者一些形状比较奇怪的目标就抓瞎了。
（3）YOLO经过了多次的下采样，造成提取的特征的细腻度不够。而且，YOLO和R-cnn、Fast R-cnn、Faster R-cnn一样，都是采用最后一层的特征进行预测，这样会损失空间结构信息。所以，现在流行的是从多个卷积层提取特征，综合空间信息进行预测，这样可以提高预测效果。
网友评论