YouOnly Look Once:

Unified,Real-Time Object Detection

YOLO（You only look once）：將物體檢測重新繪製作為一個簡單的迴歸問題，直接從影象畫素生成bounding box的座標和類的預測。Using our system, you only look once at an image to predict whatobjects are present and where they are.

YOLO: 一個簡單的卷積網路，同時預測多個boundingboxes和這些boxes所屬的類。

YOLO trains on full images and directlyoptimizes detection performance.

YOLO在準確性方面仍落後於最先進的檢測系統。 雖然它可以快速識別影象中的物體，但它正努力精確定位某些物體，尤其是小物體。我們在實驗中進一步檢查了這些折衷。

YOLO使用整幅影象的特徵去預測每個boundingbox，並且同時它也預測影象中所有bounding boxes中所有類別。

YOLO將影象劃分成S*S的網格，每個網格預測B個boundingboxes和boxes的confidence scores。這個confidence scores反映出box包含物體的自信和box被預測的精度，confidence的定義為Pr（Object）*IOU，如果bounding box內沒有object則confidence等於0，否則，讓confidence等於IOU。每個bounding box包括5個預測引數，(x,y,w,h,confidence)。此外，每個網格也能預測C個類的條件概率（條件是網格內包含一個物體）。每個網格給出一個類概率。由此，YOLO將生成S*S*(B*5+C)個張量，其中將B個bounding boxes的預測過程也加到了訓練過程中。不用像silding window型別的Deformable parts models(DPB)和R_CNN型別通過RPN生成anchors，從而加快了網路的訓練速度。

YOLO在訓練的過程中，同樣需要預訓練模型，使用ImageNet資料集。在訓練中的啟用函式是一個leaky Relu.目標函式是對預測到的x,y,w,h,C與groud truth中x,y,w,h,C歐氏距離（平方和誤差）的優化。儘管該優化目標實現較為簡單，但是不能符合最大平均精度的目標，並且分類錯誤與定位錯誤的權重是等效的，從而會導致模型的不穩定。為了解決這個問題，文中增加bounding box loss和減少confidence預測loss。此外，對大box和小box也給出了權值的平衡。

其中，懲罰項包括兩個，一個是classification error(物體在網格內的)，另一個是bounding box coordinate error(選取有最大IOU的網格，預測的網格與真實的網格重疊面積最大)

由於YOLO從資料中預測邊界框且預測邊界框的特徵較為粗糙。此外，分塊對空間特徵的約束，以及損失函式中對large bounding boxes 和small bounding boxes具有相同的loss，但是往往小的邊界框對模型的影響更大。因此，YOLO是有限的檢測模型。