YOLO(You Only Look Once)是目标检测模型，目标检测是计算机视觉中比较简单的任务，用来在一张图片中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。
YOLO是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以利用实时系统。现在YOLO已经发展到v5版本，不过最新版本也是在原有的版本上基础不断改进演化的，所以本文分析YOLO v3版本
类别是指离散数据，位置是指连续数据。
使用YOLO的目的是在一张图片中找出物体，并给出它的类别和位置。目标检测是基于监督学习的，每张图片的监督信息是它所包含的N个物体，每个物体的信息有5个，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，最后是它的类别。
YOLO在ImageNet上用前20个卷积层和1个全连接层做通用的类别识别训练，并达到比较高的准确率，之后在预训练好的结构上添加了4个卷积层和1个全连接层做目标识别训练。
因为想提高目标识别的整体表现，所以YOLO在ImageNet预训练时，输入图片尺寸是224224，但在PASCAL VOC上做目标识别的专项训练时，输入图片尺寸变成了448448。
采用合适的 loss 对于训练一个神经网络而言非常重要。其实，只有理解了 YOLO 的 loss 设计原则，才算真正理解了 YOLO 算法的核心。一般 Loss 值越低，代表网络准确度越高，训练的越有效，所以训练时基本上是以减弱 loss 值为目标的。在训练时，用 sum-squared error (误差的平方的和)来作为 loss 进行优化。采用 sum-squared error 是因为它容易进行优化，但是它也有不好的地方，那就是对于提高 mAP 的表现有些吃力。
sum-squared error 会让 Loss 函数对于位置预测、类别预测的误差权重一样。实际情况是，YOLO 在每一张图片上会预测 772=98 个 bbox，但只有很少的 bbox 才包含目标，哪些不包含目标的 bbox 它们的 confidence 会在训练过程中很快变成 0，所以哪些包含了目标的网格它们预测的 bbox 的梯度会更加急剧变化，这样而言，整个预测系统处于不平衡也不稳定的状态，最终可能出现 loss 无法收敛。
最终的 Loss 变成了一个复合的 Loss，公式如下：
