YOLO可以一次性预测多个目标框的位置和类别，其设计理念遵循端到端（原始图像输入到CNN网络中，直接输出图像中所有目标的位置和类别）训练和实时检测。
目标检测的本质实际上是回归，即建立数学模型(CNN网络结构)并计算其中的未知参数，Tiny-yolo的网络结构如下： 
模型训练可以独立进行，应用中只需考虑测试过程的计算，下面主要分析对于给定的输入图片，如何计算得到目标框位置及其类别。
测试流程如下： 
主要的计算量在于网络预测，YOLO网络主要用到卷积层和池化层，不同的计算层执行的计算如下：
卷积层（Conv.Layer）计算：
离散卷积的计算过程是利用卷积模板（卷积核、滤波器）在原图像上滑动，把对应位置上的元素相乘后加起来，得到最终的结果，即实现滑动-相乘-叠加的操作。 
一个卷积核作用于图像，可以得到一个特征图，不同的卷积核可以提取不同的图像特征，在神经网络中，一般会利用多个卷积核充分提取图像的特征，如上图，对于416*416*3的输入图像，采用16个3*3的卷积核，可以得到16个特征图。
池化层（Pooling Layer）计算
池化层主要是对图像不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值 (或最大值)。这些概要统计特征不仅具有低得多的维度 (相比使用所有提取得到的特征)，同时还会改善结果(不容易过拟合)，这种聚合的操作叫做池化，根据不同的计算池化的方法，又分为平均池化(Average Poolin)和最大池化（Max Pooling）。最大池化（Max Pooling）计算如下图所示： 
池化层一般位于卷积层之后。
Tiny-yolo网络模型的前几层为卷积层和池化层的交替连接，后跟三个卷积层，模型的输出即为125个13*13的特征图。filters数目(这里为125)视具体地数据集而定，对于VOC数据集，我们需要预测5个boxes，每个boxes包含5个适应度值（x,y,width,height,confidence），每个boxes预测20类别。因此，输出为125=（20+5）*5 filters。
网络模型的输出即包含了目标框的位置和类别概率信息，接下来根据网络输出信息整合数据得到一系列box,并设置阈值，滤掉得分低的boxes,最后对保留的boxes进行非极大抑制（NMS）处理，去除重复框，得到最终的检测结果。