YOLO（You Only Look Once）是一系列基于卷积神经网络的实时目标检测系统。该系统由Joseph Redmon及其同事于2015年首次提出，经过多次迭代，已成为应用最广泛的目标检测框架之一。其名称反映了该算法的核心设计：仅需一次前向传播即可完成预测，而早期的基于区域提议的技术（如R-CNN）则需要对单张图像进行数千次处理。
与以往在图像多个位置和尺度上应用模型的方法不同，YOLO在整张图像上应用单一神经网络。网络将图像划分为网格区域，并为每个区域预测边界框和类别概率。这些预测通过置信度分数进行加权，从而在一次评估中实现快速且准确的检测。
概述
YOLO的架构围绕一个前向一次处理整张图像的卷积神经网络构建。图像被划分为S × S网格，每个单元格负责预测边界框和置信度分数。如果某个对象的边界框中心落入某个单元格内，则该单元格被认为“包含”该对象。每个单元格预测B个边界框，以及反映对象存在可能性和预测框准确性的置信度分数。
每个单元格的网络输出包括条件类别概率（给定单元格包含至少一个对象时，其包含某类对象的概率）和边界框参数（中心坐标、宽度和高度）。每个单元格的多个边界框允许模型专注于不同的对象形状，例如细长对象和粗壮对象。原始YOLO架构由24个卷积层和2个全连接层组成。
在训练过程中，对于包含真实边界框的每个单元格，仅使用与真实框交并比（IoU）最高的预测框进行梯度下降。损失函数促使模型将预测框坐标与真实框对齐、设置正确的类别概率，并抑制误报。
前身与背景
在YOLO之前，诸如R-CNN和OverFeat等目标检测系统依赖于区域提议或多尺度扫描方法。OverFeat是早期具有影响力的模型，它训练了用于分类的神经网络，然后添加回归网络来预测边界框角点。在推理时，它会在多个缩放级别和裁剪上运行分类网络，生成数千个候选框，之后再合并。此过程计算成本高且速度慢。
YOLO通过将检测重新表述为单个回归问题来解决这些低效问题。无需多次扫描图像，YOLO在一次前向传递中处理整张图像，从而显著提高速度，同时保持竞争力强的准确性。这一转变使得视频分析、机器人和自动驾驶中的实时应用成为可能。
版本
YOLO系列可分为两部分。原始部分由Joseph Redmon维护，包括YOLOv1、YOLOv2和YOLOv3。这些版本在专门网站上发布，并在研究和工业界得到广泛采用。
YOLOv1
YOLOv1于2015年推出，确立了核心框架。它将图像划分为S × S网格，每个单元格预测B个边界框和置信度分数。每个单元格的网络输出包括类别概率和框坐标。原始实现使用S = 7和B = 2，每张图像产生98个边界框。尽管速度很快，但YOLOv1在检测小物体和处理重叠物体方面存在局限，后续版本解决了这些问题。
YOLOv2与YOLOv3
YOLOv2，也称为YOLO9000，引入了批量归一化、锚框和多尺度训练等改进。通过利用分层分类，它可以检测超过9,000个对象类别。YOLOv3通过使用具有残差连接和多尺度预测的更深层架构进一步提高了准确性，从而更好地检测小物体。这些版本巩固了YOLO作为最先进实时检测器的声誉。
影响与应用
YOLO的速度和效率使其成为实时应用的热门选择，包括视频监控、自动驾驶车辆和机器人。其单次传递设计特别适合计算资源有限的边缘设备和嵌入式系统。该框架还影响了后续的目标检测研究，启发了许多变体和改编。
截至2020年代初，YOLO继续由研究社区积极开发，诸如YOLOv4、YOLOv5及后续迭代等新版本引入了进一步优化。这些版本通常整合了来自Deep learning和Neural network研究的技术，如注意力机制和改进的训练策略。YOLO的遗产在于其证明了实时检测无需牺牲准确性，使其成为现代计算机视觉的基石。