作为经典的图像识别网络模型，学习YOLO的过程也是了解图像识别的发展过程，对于初学者来说，也可以了解所采用算法的来龙去脉，构建解决问题的思路。

1.YOLO V1

论文地址：https://arxiv.org/abs/1506.02640

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。YOLO V1不同于之前模型的特点是：创造性的将候选区和对象识别这两个阶段合二为一，所以速度是它优于其他模型的点。
YOLO 网络模型

YOLO并没有真正去掉候选区，而是采用了预定义的预测区。也就是将图片划分为 7*7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框）。
模型的输入为448*448*3的图像，最后输出的是7*7*30的tensor，7*7是网格的大小，后面的30则是有两部分组成，前10位是描述的两个bounding box，分别是x,y,h,w,c,xy是中心点的位置，wh是预选框的宽度和高度，c是预选框的置信度；后20位是代表方框所属类别的概率。为了达成这种30位的输出层效果，我们需要通过损失函数来对模型进行限制。

NMS 非极大值抑制
简单来说，每个物体只保留最准确（置信度最高）的一个矩形框，其余的全删除。
YOLO采用重叠度的方式来进行筛选：
将候选框按照置信度排序，依次计算两个候选框的重叠度，当重叠度大于我们设定的阈值时，则丢弃置信度较小的候选框，从而达到减少候选框的目的。

IoU= 并集面积/交集面积​ = union_area/intersection_area

2.YOLO V2

YOLO V2的改进：

• Batch Normalization
  V2版本舍弃Dropout，卷积后全部加入Batch Normalization，
  网络的每一层的输入都做了归一化，收敛相对更容易

• 更大的分辨率
  V1训练时用的是224*224，测试时使用448*448，
  V2训练时额外又进行了10次448*448 的微调

• 网络结构
  采用Darknet网络模型；去掉了FC层，全部采用卷积层；经过5次降采样，最后的输出为13*13的网格，5次降采样每次降为原来的一半，所以最出的输入是416*416，即便需要自己修改输入数据的大小，也要确保是32的倍数。
  采用1*1的卷积，减少计算量；

• 聚类提取先验框
  k-means聚类中采用的距离为1-IOU；

• Anchor Box
  通过引入anchor boxes，使得预测的box数量更多（13*13*n）

• Directed Location Prediction
  V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量

• 感受野
  采用多层卷积，感受野更大