原文链接：http://www.cnblogs.com/sandy-t/p/7397713.html
YOLO（You Only Look Once）论文
近些年，R-CNN等基于深度学习目标检测方法，大大提高了检测精度和检测速度。
例如在Pascal VOC数据集上Faster R-CNN的mAP达到了73.2。而YOLO和SSD在达到较高的检测精度的同时，检测速度都在40FPS以上。这里主要对YOLO做简单介绍。
整个YOLO的网络结构如图，前面20层使用了改进的GoogleNet，得到14×14×1024的tensor，接下来经过4个卷积层分别进行3×3的卷积操作和1×1的降维操作，最后经过两个全连接层后输出为7×7×30的tensor。检测目标就能从7×7×30的tensor中得到。
作者首先取出前面的20层网络，另外再加上一个average-pooling层和一个全连接层，在ImageNet训练集上进行图像分类任务的欲训练，top-5达到88%的准确度。然后将经过图像分类训练的前20层网络加上后面的网络层进行检测任务的训练。
7×7×30 tensor的解释：
其实这里的7×7并不是将输入图像划分为7×7的网格，实际上指经过多个卷积层处理过后的特征map是7×7大小的，而且其中的每个cell是互相有重叠的，但是为了便于直观理解，直接将原始图像用7×7的网格进行划分。可以看到每个cell向量的前5维分别代表了一个检测框的x坐标，y坐标，宽度和高度，检测框中有目标物体的置信度（P(Object) ∗ IOU）。
在论文中每个cell有两个检测框，6到10维向量代表了另外一个检测框的x坐标，y坐标，宽度和高度，检测框中有目标物体的置信度。
cell还剩下20维向量，代表这个cell中的物体属于20个类别的概率值。将cell两个检测框的置信度分别乘以20类别的概率值。
最后得到了7×7×2=98个检测框的20个类别的概率值。
接下来要从候选的检测框中找出最后的目标框：
对每个类别，进行阈值比较、降序排列、对有重叠的候选框使用非极大值抑制（NMS）操作。
最后候选框的最终分数得到最终的类别和分数：
标出检测框：
关于非极大值抑制（NMS）：
用bbox_max代表分数最大的候选框，将其与其他候选框bbox_cur进行比较，如果IoU（bbox_max，bbox_cur）>0.5，将候选框bbox_cur的分数置为0。
第一轮循环后，由于橙色框（bbox_max）和绿色框的重叠度大于0.5，所以将绿色候选框的分数置0。
第二轮循环，将剩下的第二大分数的候选框设为bbox_max（图中的蓝色框）
同样的道理，由于蓝色框（bbox_max）和粉色框的重叠度大于0.5，所以将粉色候选框的分数置0。
使用非极大值抑制循环结束后，很多情况下，都只有少数的几个候选框大于0。
关于Intersect over Union (IoU)
关于Yolo v2
后来作者对YOLO进行了改进，公布了YOLO v2，论文
在精度（73.4 mAP on Pascal voc）和速度两个方面都有提高，并且提出了能够检测9000类物体的方法。
具体改进的地方有：
增加了batch normalization
在ImageNet上的预训练使用224×224和448x448两种尺寸的图像。
用Faster-RCNN类似的anchor boxes ，代替7×7grid-cell。
用kmeans方法得到box形状，代替人工选择box形状。
在ImageNet和MS-COCO数据集上进行训练。
提出了能够在分类数据集上训练检测任务的方法。
使用WordTree结合多种不同标签的数据。
参考：
deepsystems.io
有些人，一辈子都没有得到过自己想要的，因为他们总是半途而废