1:首先将图像划分成7 * 7的网格。
2:每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个 confidence值。
3:每个网格有30维，这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。
confidence代表了所预测的bounding box中含有object的置信度和这个bounding box预测的有多准两重信息。
**函数：leaky rectified linear activation
YOLO直接从一张图片中提取特征，来预测每一个Bounding box，最小化和ground turth的误差。由于YOLO是一个端到端的训练，并且中间没有region proposal生成，速度上有很大的提升。
缺点：
YOLOv1使用了end-to-end的回归方法，没有region proposal步骤，直接回归便完成了位置和类别的判定。使得YOLOv1在目标定位上不那么精准，YOLO的检测精度并不是很高。
改进：
使用一系列的方法对YOLO进行了改进，在保持原有速度的同时提升精度得到YOLOv2。
提出了一种目标分类与检测的联合训练方法，同时在COCO和ImageNet数据集中进行训练得到YOLO9000，实现9000多种物体的实时检测。
YOLO9000（主要利用技术）
1：Batch Normalization
2：High Resolution Classifier
3：Convolutional With Anchor Boxes
4：Dimension Clusters
5：Fine-Grained Features
6：Multi-ScaleTraining
7：DarkNet网络模型
1：Batch Normalization
神经网络学习过程本质就是为了学习数据分布,一旦训练数据与测试数据的分布不同,那么网络的泛化能力也大大降低;另外一方面，一旦每批训练数据的分布各不相同(batch 梯度下降),那么网络就要在每次迭代都去学习适应不同的分布,这样将会大大降低网络的训练速度。
YOLOv2网络通过在每一个卷积层后添加batch normalization，极大的改善了收敛速度同时减少了对其它regularization方法的依赖（舍弃了dropout优化后依然没有过拟合），使得mAP获得了2%的提升。
BN主要分两步走，除了进行normalize，还要进行scale and shift，因为单独的只是normalize，虽然
把每层的数据分布都固定了，但是这种分布不一定是前面一层要学习的分布，这样强行归一化会破坏上一层
的分布，所以BN的第二步就解决了这个问题，在第二步中设置了两个可以学习的变量嘎玛和贝塔，通过利用
这两个可学习变量去还原上一层应该学到的数据分布。BN把 不固定的数据分布转换为了固定的数据分布，而
这种数据分布恰恰是要学习的数据分布，从而加速了网络的训练。
2：High Resolution Classifier
YOLOv2首先修改预训练分类网络的分辨率为448*448，在ImageNet数据集上训练10轮（10 epochs）。这个过程让网络有足够的时间调整filter去适应高分辨率的输入，mAP获得了4%的提升。
3：Convolutional With Anchor Boxes
YOLO(v1)使用全连接层数据进行bounding box预测，丢失较多的空间信息定位不准。
YOLOv2借鉴了Faster R-CNN中的anchor思想： 简单理解为卷积特征图上进行滑窗采样，每个中心预测9种不同大小和比例的建议框。由于都是卷积不需要reshape，很好的保留的空间信息，最终特征图的每个特征点和原图的每个cell一一对应。而且用预测相对偏移（offset）取代直接预测坐标简化了问题，方便网络学习。
YOLOv2中，不再让类别的预测与每个cell（空间位置）绑定一起，而是让全部放到anchor box中。
4：Dimension Clusters
Faster-RCNN中anchor boxes的个数和宽高维度往往是手动精选的先验框（hand-picked priors)，为了让其一开始就选择更好的、更有代表性的先验boxes维度，提出了K-means聚类方法，通过对数据集中的ground true box做聚类，找到ground true box的统计规律。以聚类个数k为anchor boxs个数，以k个聚类中心box的宽高维度为anchor box的维度。
移除全连接层，使用 anchor boxes 取预测 bounding boxes。
较大的 boxes会比较小的boxes产生更多的error，聚类结果可能会偏离。
随着k的增大，IOU也在增大，但是复杂度也在增加。所以平衡复杂度和IOU之后，最终得到k值为5。
5种boxes的Avg IOU(61.0)就和Faster R-CNN的9种Avg IOU(60.9)相当。 说明K-means方法的生成的boxes更具有代表性，使得检测任务更好学习。
5：Fine-Grained Features
YOLOv2使用了一种不同的方法，简单添加一个 passthrough layer，把浅层特征图连接到深层特征图。
6：Multi-ScaleTraining
不同于固定网络输入图片尺寸的方法，每经过10批训练（10 batches）就会随机选择新的图片尺寸。网络使用的降采样参数为32，于是使用32的倍数{320,352，…，608}，最小的尺寸为320 * 320，最大的尺寸为608 * 608。 调整网络到相应维度然后继续进行训练。
7：DarkNet网络模型
VGG：
224 * 224的图片进行一次前向传播，其卷积层就需要多达306.9亿次浮点数运算。
Darknet-19处理一张照片需要55.8亿次运算，darknet利用avgpool代替了全连接
层，减少了大量参数。
分类与检测
Training for classification
在1000类的ImageNet数据集上训练160次；
SGD；
lr=0.1；
polynomial rate decay =4；
weight decay = 0.0005；
momentum=0.9；
高分辨率下训练的分类网络在top-1准确率76.5%，top-5准确率93.3%。
Training for detection
预测5种bounding boxes，每个bounding box包含5个坐标值和20个类别，所以总共是5 * （5+20）= 125个输出维度。
总结：
YOLO2在YOLO的基础上提出了许多改进，提高了速度和准确率，基于darknet-19模型，除去完全连接层，增加了Convolutional With Anchor Boxes, Dimension Clusters, Direct location prediction等等。YOLO9000是现目标检测领域的state-of-the-art。