Yolo 于2015年出现之后，当时就成为了目标检测方面的新星，不但检测准确度提高了，而且在实时性方面的优势更大。但是Yolo一代还存在一些缺点。对此，Yolo的创建者决定提出一个新的方案来在保持原有准确度的情况下解决上述两个问题，作者将其命名为Yolo2。在此yolo2基础上，作者还提出了另外一个模型 Yolo9000，它可以用来实时检测超过9000种目标。Yolo9000甚至可以标出在检测数据集中没有看到过的目标类别（在分类数据集中学习过），该模型在ImageNet的检测任务中给出了一个漂亮的结果。

本文介绍目标检测模型YOLO的工作原理。这篇文章发出之后已经有了非常多的改进方法，YOLO也出了后续的版本：YOLOv2, YOLOv3等等，后面我们有时间再介绍。理解了YOLO的最初版本之后，应该会更加容易理解其后续版本。 YOLO(You Only Look Once)是一个目标检测网络。目标检测任务的主要工作就是确定对象在一个图片中的位置并且确认该对象的分类。先前的目标检测方法比如R-CNN及其变体使用了类似数据管道（pipline）的方式。这些方法将任务分解为几个步骤，然后分别解决每一个步骤的问题。这种方法的缺点是运行速度慢，并且由于每个部分都是独立的，这些不同的部分很难一起进行优化。YOLO将所有这些步骤都融合到了一个神经网络模型中，大大加快了运行速度。