论文在此
YOLO这个名字完整体现了算法的精髓：You Only Look Once
它与RCNN系列算法不同。RCNN系列算法（RCNN/Fast RCNN/Faster RCNN）是经过了两次检测，第一次是获取proposal box，第二次才是图像预测。YOLO算法通过回归来完成物体检测，期间使用了统一的网络来完成物体识别和框定位。
YOLO运行流程
它的推理流程图如下：
经过网络之后输出为7*7*30的特征图，也就是有49个30维向量。 这个特征图意味着什么呢？ 意味着可以认为将原图划分为7*7的网格，每一个网格对应一个30维的向量。这么说不太严谨，容易误导为：7*7的网格图中的每一个网格的图像信息严格对应7*7*30特征图的每一个向量。要理解这一点先要理解感受野：
如下图，经过卷积得到的3*3的矩阵的元素映射到原矩阵的感受野是2，而并非4/3，且感受野之间是互相重叠的
（更多感受野的理解见此文）
所以说，YOLO流程图里的一个30维向量包含的不仅仅是一个网格的信息，它包含了含有该网格的更大图像范围的信息，这个知识点有利于理解接下来要讲的为什么30维向量里能包含已经超出网格之外的Anchor信息。
30维向量信息解析
30维数据的前5维，是以该网格为中心的第1个Anchor的5个信息：框的x坐标，框的y坐标，框的宽，框的高，框中有物体的置信度
紧接着的5维，是以该网格为中心的第2个Anchor的5个同上的信息
之后的20维中的任何1维度，是该网格为中心的2个Anchor里的图像为某一个类别的打分，这样对每个网格（它的2个Anchor）得到20个打分
如何获取某个Anchor是某个类的概率呢？——将上述的打分乘以该Anchor有物体的置信度即可，那么每一个Anchor就相当于有一个20维的概率向量：
由此，每个网格两个Anchor，也就是有2个20维概率向量，7*7个网格一共有98个20维向量：
Box预测和保留
对于每一个种类的概率，比如Dog，我们将所有98个框按照预测概率从高到低排序（为方便计算，排序前可以剔除极小概率的框，也就是把它们的概率置为0），然后通过非极大抑制NMS方法，继续剔除多余的框：
NMS方法在这里如何运行呢？首先因为经过了排序，所以第一个框是概率最大的框（下图橘色）。然后继续扫描下一个框跟第一个框，看是否IOU大于0.5：
的确IOU大于0.5，那么第二个框是多余的，将它剔除：
继续扫描到第三个框，它与最大概率框的IOU小于0.5，需要保留：
继续扫描到第四个框，同理需要保留：
继续扫描后面的框，直到所有框都与第一个框比较完毕。此时保留了不少框。
接下来，以次大概率的框（因为一开始排序过，它在顺序上也一定是保留框中最靠近上一轮的基础框的）为基础，将它后面的其它框于之比较。
如比较第4个框与之的IOU：
IOU大于0.5，所以可以剔除第4个框：
总之在经历了所有的扫描之后，对Dog类别只留下了两个框：
这时候，或许会有疑问：明显留下来的蓝色框，并非Dog，为什么要留下？因为对计算机来说，图片可能出现两只Dog，保留概率不为0的框是安全的。不过的确后续设置了一定的阈值（比如0.3）来删除掉概率太低的框，这里的蓝色框在最后并没有保留，因为它在20种类别里要么因为IOU不够而被删除，要么因为最后阈值不够而被剔除。
上面描述了对Dog种类进行的框选择。接下来，我们还要对其它19种类别分别进行上面的操作。最后进行纵向跨类的比较（为什么？因为上面就算保留了橘色框为最大概率的Dog框，但该框可能在Cat的类别也为概率最大且比Dog的概率更大，那么我们最终要判断该框为Cat而不是Dog）。判定流程和法则如下：
得到最后的结果：
YOLO的训练
首先预训练，使用ImageNet数据库训练上面流程图中的GoogleNet Modification,使得该网络具有强大的物体识别能力。
然后进行迁移学习，也就是将上面预训练好的网络，接上后面需要进行图像分割的卷积核全连接网络，继续进行训练。这个阶段的训练流程如下：
首先，YOLO训练的原始数据是已经标注好实例分割的图片。图片输入YOLO网络中，首先分割为S*S的网格，每一个网格有2个Anchor。对每一个网格来说，只保留一个Anchor，通过标注框（ground truth）和Anchor的IOU取大的（且要大于0.5）来保留Anchor。这里有一种情况：如果相邻的两个网格的都各自有一个Anchor与标注框的IOU达到了0.5甚至他们的IOU完全一样，那么保留哪个Anchor呢？YOLO算法里，作者提出的方法是，只有ground truth的中心点落到了某个网格中，该网格对应的Anchor才有资格保留。保留下来的作为正样本，其它的作为背景类，为负样本。当然负样本可以采用hard negative mining，对负样本进行抽样，抽样时按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选取误差的较大的top-k作为训练的负样本，使得正负样本比例不会失调（正负样本比例1:3比较合理）。
总之，只有部分网格中的部分Anchor保留下来了。保留下来的Anchor框可进一步进图像分类，框位置调整的预测，获取预测值。
损失函数
损失函数如下：
图中S为网格维度，B为Anchor个数，i为第i个网格，j为第j个Anchor。
上面讲过，在训练的时候，只有部分Anchor能入选，所以只有入选了才进入损失函数中。
在作者的文章中：
1）λcoord取5，因为需要重视坐标预测
2）λnoobj取0.5，因为大部分Anchor是没有入选的，积累了很多损失之后，不能给它大的系数
3）w和h之所以用来平方根，是因为在实际中，物体可能比框出它的框要小很多，那么物体实际的宽和高是要削减的。于是作者使用平方根来进行中和
以上。