介绍
yolo，You Only Look Once，是最先进的实时目标检测系统
- 由 Joseph Redmon 等人在2015年实现
- 使用 darknet 神经网络框架实现
关于 darknet 请点击
官方网站：
yolo v2：https://pjreddie.com/darknet/yolov2/
yolo v3：https://pjreddie.com/darknet/yolo/
实现思想
YOLO 将 Object Detection 的问题转化成一个 Regression 问题。给定输入图像，直接在图像的多个位置上回归出目标的bounding box以及其分类类别。
YOLO是一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现 端到端（end to end） 的目标检测和识别
特点
其最大的优势就是速度快
创新点
YOLO将目标检测问题转化为回归问题，不需要复杂的流程。在测试阶段，我们只需要对新图像跑一下我们的神经网络，就可以得到预测结果。我们的基准网络可以在 Titan X GPU 不经过批处理下得到 每秒 45帧的处理速度。快速网络可以得到每秒 150 帧。在实时检测系统中， YOLO的效果是最好的。
YOLO 在做出预测时是推理整个图像的。与滑动窗口和候选区域算法不同， YOLO 在训练和测试时，从整个图像综合考虑，不仅分析物体的 appearance 还分析其 contextual 信息。Fast R-CNN 比较容易将背景误检测为物体，因为它不考虑 contextual 信息。YOLO 把背景误检测为物体的概率不到 Fast R-CNN 的一半。
YOLO 对物体的泛化能力比较好。当在自然图像上训练，在艺术图像上检测时，YOLO的效果要比 DPM 和 R-CNN 好很多。
YOLO 缺点
YOLO的物体检测精度低于其他检测系统。
YOLO容易产生物体的定位错误。
YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
发展
| 算法 | 时间 | 其他 |
|---|---|---|
| yolo | 2015 | 论文 |
| yolo v2 | 2016 | |
| yolo9000 | 2016 | 论文 |
| yolo v3 | 2018 | 论文 |
YOLOv2 vs YOLO9000
YOLO的升级版有两种：YOLO v2 和 YOLO9000。
作者采用了一系列的方法优化了YOLO的模型结构，产生了YOLO v2。
然后作者综合 ImageNet 数据集和 COCO 数据集训练YOLO9000，使之可以实时识别超过9000种物品
感谢：
https://www.zhihu.com/question/51435499/answer/129543052
https://blog.csdn.net/qq_35451572/article/details/80249259