圖像識別算法是計算機視覺的基礎算法，例如VGG，GoogLeNet，ResNet等，這類算法主要是判斷圖片中目標的種類。目標檢測算法和圖像識別算法類似，但是目標檢測算法不僅要識別出圖像中的物體，還需要獲得圖像中物體的大小和位置，使用座標的形式表示出來。而對於目標檢測算法來說，它的輸出值更像是這樣：
其中:
- pc 爲1時代表有物體被檢測到，反之，沒有物體被檢測到，因此其他的輸出值可以被忽略
- bx 目標的x座標值 爲目標的左上角到物體中心的相對座標
- by 目標的y座標值 爲目標的右下角到物體中心的相對座標值
- bh 區域框bounding box的高
- bw 區域框bounding box的寬
c1、c2、c3是目標屬於分別表示三種物體出現的的概率，基於此，我們可以使用滑動窗口對整張圖片進行處理來定位目標。就像是用一個放大鏡去圖像的每個區域去查找是否包含目標。
我們會使用滑動窗口時，許多計算都是重複性計算，我們可以使用卷積神經網絡的思想。可以使用卷積計算代替滑動窗口。這裏的窗口是固定的，如果需要檢測不同大小的物體，需要不同大小的很多的窗口，這也就是是YOLO算法需要解決的重要問題。至於目標檢測的用處，現在最大的場景就是無人駕駛，在無人駕駛中，需要實時檢測出途中的人、車、物體、信號燈、交通標線等，再通過融合技術將各類傳感器獲得的數據提供給控制中心進行決策。而目標檢測相當於無人駕駛系統的眼睛。
下面說說YOLO的思想。
YOLO是You Only Look Once的縮寫。這也是爲了特別突出YOLO區別於兩階段算法的特點，從名字就可以感受到，YOLO算法速度很快，事實上也是如此。可以看出在同樣的設備上，YOLO可以達到45幀每秒的速度。在YOLO中，目標圖片被劃分爲Grid Cell。Anchor Box使得YOLO可以檢測出同一個grid cell中包含多個物體的情況。Anchor box爲標籤增加了更多的緯度。如果我們可以對每個物體對應一個anchor box來標識。爲了解釋方便，這裏我們只使用兩個anchor box。介紹了YOLO中的一些基本概念後，我們先看看YOLO是如何進行目標檢測的。假設我們已經訓練出了YOLO的模型：第一輸入待檢測的圖片，對圖片進行一系列的處理，使得圖片的規格符合數據集的要求。第二，通過模型計算獲得預測輸出，假如使用的是19*19的grid cell數目，5個anchor box， 80個分類，於是輸出的緯度爲（1，19，19，5，80+5）。第三，對於輸出值進行處理，過濾掉得分低的值，輸出值中的Pc 在原論文中被稱爲confidence 而C被稱爲 probs，得分爲confidence * probs，可以看出，所謂的得分就是含有目標的概率值。第四，同一個物體可能會有多個grid cell預測到，那麼同一個物體就會有多個bouding box，我們需要留下具有最高pc值的預測值，將其他的預測值過濾掉。如何判斷多個bounding box預測的是同一個物體呢，這裏就需要使用IOU算法。最後得到的值就是圖片中被預測的目標的類型和位置值，再經過一系列計算和轉換變成圖片上的真實座標值，使用工具畫到原圖上。
yolo v1的缺點在於bbox的定位不準，精度低，對於小物體的檢測效果不好，yolo v1對於小物體的檢測效果較差，yolo v2借鑑了Faster-RCNN和SSD的思想，在不同層次的特徵圖上獲取不同分辨率的特徵。
Yolov2有的改進：
- 移除Dropout
- 使用了更高分辨率的分類器.
- 學習faster rcnn一類的算法，引入了anchor。
- 作者也丟棄了之前在yolo v1中使用全連接來進行預測，因爲全連接層參數較多，也會丟失一些空間信息，採用卷積網絡來替換，這樣yolo v2是一個全卷積的網絡結構。
- 使用直接的定位預測。
- 使用細粒度特徵。
- 使用了多尺度的訓練。
Faster
很多的detection frameworks把vgg作爲backbone來提取突破特徵，但是vgg的效果一般，而且參數較多，作者爲yolo v2設計了一個新的backbone叫做Darknet-19（有19個卷積層）。Darknet-19在imagenet上獲得了比vgg更好的top-5準確率。
Stronger
這一部分主要講的是如何利用wordtree聯合訓練分類和檢測任務，使得yolo v2可以檢測training data中沒有出現過的類別，
Yolo v3
yolo v3也就是把一些視覺這塊最新的思想融入了yolo的框架之中，作者也在論文中表示最近都在玩推特，但是yolo v3的效果確實非常的好，接下來就看看作者在yolo v3上做了哪些改進。
3.1.bbox預測：
yolov3對每個bounding box通過邏輯迴歸預測一個物體的得分，如果預測的這個bounding box與真實的邊框值大部分重合且比其他所有預測的要好，那麼這個值就爲1.如果overlap沒有達到一個閾值（yolov3中這裏設定的閾值是0.5），那麼這個預測的bounding box將會被忽略，也就是會顯示成沒有損失值。
3.2.多標籤分類：
在yolo v2中對於每個bbox的類別預測使用的是softmax，但在yolo v3中使用了sigmoid，主要是爲了應對多標籤分類的問題。
3.3.多尺度預測：
這裏借鑑了SSD和FPN的思想，提取多個feature map並且利用低層的高分辨率信息和高層的語義信心融合後進行預測。
3.4.新的back-bone網絡：
新設計了一個網絡Darknet53，該網絡學習了resnet的residual block，並且採用了SSD的思想輸出多個feature map，規模也比yolo v2的Darknet13大。