1. 从Two-Stage到One-Stage

　　以发展的眼光看待问题，回顾two stage算法，为什么一定要先产生proposal，再做回归呢，为什么不可以直接找出目标而后标注呢？

2.YOLO V1细节

　　YOLO网络结构由24个卷积层与2个全连接层构成，网络入口为448x448，图片进入网络先经过resize，输出格式为：S * S *(5 * B + C)

　　2.1 流程

　　　　　　先打格子使448 * 448 落到7 * 7 里的格子里，如果某一个物体的中心点落入到了某一个格子当中，那么那个格子就会去预测那个物体，每个格子预测B个bbox外加一个confidence。

　　　　　　即：

　　　　　　　　bbox：x，y，w，h（center）

　　　　　　　　Confidence：P_r(object) * IOU，即置信度，分类的概率 * IOU

　　　　　　　　final output tensor: S * S *(5 * B + C)，即7 * 7 *（5 * 2 + 20），其中5分为4 + 1，4代表着bbox的中心坐标及宽高，而1代表confidence，而2代表预测2个bbox，C相当于是分多少类，作者给出的是20，即分20类。

　　2.2 损失函数

 　　　　　　此损失函数分为3个部分，一是上面所说bbox的回归，二是置信度的回归confidence，三则是后面20个分类的回归。

　　　　　　2.2.1 一，bbox Loss

 　　　　　　　　　　　对它的坐标做平方损失，至于w和h要加sqrt，可以理解为起到一个抑制作用。

　　　　　　2.2.2 二，confidence Loss

　　　　　　　　　　分两个部分，一个是针对正样本的confidence，一个是针对负样本的confidence

　　　　　　2.2.3 三，classfication Loss

　　　　　　　　　　　　即一个softmax损失。

3.优点及缺点

　　　　优点：它只有一步所谓One-Stage 非常快

　　　　缺点：1.对很稠密的物体不友好，它打成7 * 7的格子，一个格子只预测一个物体，倘若两个物体都落在一个格子上，它就没办法了。

　　　　　　　2.对小物体不好，

　　　　　　　3.没有BN