YOLO系列详解（YOLOV1-YOLOV3）

YOLO算法

简介

本文主要介绍YOLO算法，包括YOLOv1、YOLOv2/YOLO9000和YOLOv3。YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。了解YOLO是对目标检测算法研究的一个必须步骤。

目标检测思路

目标检测属于计算机视觉的一个中层任务，该任务可以细化为目标定位与目标识别两个任务，简单来说，找到图片中存在某个对象的区域，然后识别出该区域的具体对象是什么。上述这两个过程就是目标检测中很常用的two-stage方法（两阶段检测）。

目标识别（给定一张包含一个目标的图片，该目标占据图片大部分区域，要求识别出图片中目标的类型）属于计算机视觉的基本任务，这些年以卷积神经网络为核心的深度识别网络已经做得很好了。所以剩下的问题就是目标的定位。

当然，目标的定位有个很直接很粗暴的想法：遍历图片中所有可能的位置，搜索不同大小、宽高比的所有区域，逐个检测其中是否存在某个目标，以概率最大的结果作为输出。显然，这种思路也许精度还行，但是效率太低。

RCNN系

RCNN极具开创性地提出了候选区的方法（Region Proposals），先从输入图像中找到一些可能存在对象的候选区，这个过程称为Selective Search。在RCNN中这些候选区大概会有2000个，对这些区域进行目标识别即可完成检测（提出候选区，对候选区进行识别，这就是two-stage的具体两步）。候选区的提出大大减少了目标定位的时间，提高了目标检测的效率。

不过。。。

RCNN依然很慢，它为后来实时检测提供了可能，但也只是可能而已。后续的Fast RCNN和Faster RCNN则将这种可能变为了现实，它们针对网络结构和候选区算法进行了很多改进，已经可以达到平均0.2秒一张图片的速度。由于RCNN系并非本文重点，这里不多赘述，具体其效率变化如下表。

算法	平均单图处理时长(second)
RCNN	49
Fast RCNN	2.3
Faster RCNN	0.2

YOLOv1

YOLO算法（全名You Only Look Once，代表只需要看一眼图片就能完成目标检测），其作者为Joseph Redmon，被称为YOLO之父，其本人在2020年初由于自己的开源算法用于军事和隐私问题，宣布退出CV领域。

YOLO创造性地将候选区和目标识别两个阶段合二为一，look once即可完成目标检测，也实现了端到端的目标检测。事实上，YOLO并没有去掉候选区，而是使用一种预定义的类似候选区的预测区域。它将图片划分为$S\times S$个网格（论文中$S=7$，下文均使用7为例），也就是49个网格每个网格允许预测出两个bbox（bounding box，边界框），共98个。也可以理解为预定义了98个候选区。