yolo_Unified,Real-TimeObjectDetection报告问题牵引只需一眼，人类便可识别眼前物体及其关系，快速识别不同模式、根据早前知识进行归纳、以及适应不同的图像环境一直都是人类的专属技能，机器尚未获得计算机如何实现类似人类视觉系统快速、准确的检测？如何提升目标检测的速度？研究现状普遍使用分类器classifier执行检测过程复杂，速度较慢，训练耗时YOLO将检测变为一个regressionproblem，YOLO从输入的图像，仅仅经过一个neuralnetwork，直接得到boundingboxes以及每个boundingbox所属类别的概率。正因为整个的检测过程仅仅有一个网络，所以它可以直接end-to-end的优化。YOLO结构十分的快，标准版YOLO每秒可以实时地处理45帧图像。一个较小版本FastYOLO，可以每秒处理155帧图像，它的mAP（meanAveragePrecision）依然可以达到其他实时检测算法的两倍。实现方法这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息其中如果有object落在一个gridcell里，第一项取1，否则取0。第二项是预测的boundingbox和实际的groundtruth之间的IOU值。大家应该也有点累了，稍作休息实现方法实现方法实现方法实现方法实现方法实现方法性能比较性能比较性能比较性能比较性能比较YOLO优点网络简单，容易构建速度快，实时性最好检测性能好，背景误差小