YOLO v1

论文名称：You Only Look Once: Unified, Real-Time Object Detection
论文地址：传送门

Introduction

以往的目标检测算法（尤其是R-CNN系列）将目标检测问题归结为分类问题，即先寻找目标可能存在的区域（Bounding box），然后对这些Box分类，从而确定目标。Yolo则将目标检测问题转换为一个回归问题（Regreesion problem），直接预测出boudning box和相关的类别信息。Yolo是一个可以端到端训练的single network，它不需要单独的搜索Region Proposals，也不需要单独的Classifier，因此其检测速度特别快，Yolo可以达到45FPS，而Fast Yolo可以达到155FPS。Yolo对背景的识别效果较好，且有一定的迁移性，可以识别一般问题（如Artwork），但是Yolo最大的问题是对小目标的检测不准确。

Yolo目标检测的基本流程如下图所示：

1. 将图像resize到$448 \times 448$
2. 使用单一的网络进行训练
3. 设置阈值得出最终的检测结果

Unified Detection

模型设计的细节：

1. 将一个大小为$m \times n$的图像划分成$S \times S$的网格，如果一个Object的中心在某个网格，则这个网格负责这个物体的检测
2. 每一网格预测$B$个Bounding Box和这个Box的置信度。置信度表示有多大的把握说明这个Box包含物体及其预测的有多准确，其可表示为$Pr(Object) * IOU_{pred}^{true}$。因此每个Bounding Box包含5个参数：$x,y,w,h$和置信度，$(x,y)$表示Box中心坐标相对于网格边缘的位置，宽和高则是相对于整个图像，置信度表示预测框和真实框之间的关系。
3. 同时每个网格预测$C$个类别概率：$Pr(Class_i|Object)$。Yolo不是对每一个Bounding box预测类别概率，而是仅对一个网格预测概率。
4. 因此对于一幅影像，其被划分为$S \times S$个网格，每个网格预测$B$个Box及其置信度，则最终的预测被编码为大小为$S \times S \times (B * 5 + C)$的向量

Network Design

Summary

YOLO将检测转换为一个回归问题，通过对图像划分网格，可以快速的检测物体，是Real Time Detection的开创性工作。

YOLO v2

论文名称：YOLO9000: Better, Faster, Stronger
论文地址：传送门
TODO

YOLO v3

论文名称：YOLOv3: An Incremental Improvement
论文地址：传送门

Introduction

YOLO v3在之前YOLO的版本上做了一些调整，使其检测精度有所提高，对小物体的识别精度得到提升，但同时由于其更换了backbone网络，增加了运行的时间。

YOLO v3使用了新的网络：DarkNet53作为底层网络，在网络中加入了Residual Block，同时借鉴了SSD的多层特征，利用不同层的特征图检测大小不同的目标，从而提升了小目标的检测精度。

Detection at three Scales

YOLO v3也采用了residual connections，upsampling，输出其中的三个特征图作为三个不同尺度的检测。对于每一个特征图，其使用形状为$1 \times 1 \times (B \times (5 + C))$的卷积核。其中B为Bounding box的数量，5代表$(x,y,w,h)$和一个物体置信度，$C$代表数据的类别。这里与YOLO v1就有所不同，YOLO v1对每个网格仅预测一个cls。