我们提出的YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，我们将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。我们使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。
我们的统一架构速度极快。我们的基本YOLO模型以45 fps（帧/秒）的速度实时处理图像。该网络的一个较小版本——Fast YOLO，以155 fps这样惊人的速度运行，同时仍然达到其他实时检测器的两倍。与最先进的（state-of-the-art，SOTA）检测系统相比，YOLO虽然产生了较多的定位误差，但它几乎不会发生把背景预测为目标这样的假阳性（False Positive）的错误。最后，YOLO能学习到泛化性很强的目标表征。当从自然图像学到的模型用于其它领域如艺术画作时，它的表现都优于包括DPM和R-CNN在内的其它检测方法。
YOLO，全称为"You Only Look Once"，是一种创新的目标检测算法，由Joseph Redmon等人在2016年提出。与传统的目标检测方法不同，YOLO将目标检测视为回归问题，不再依赖于分类器，而是直接预测图像中的边界框及其对应的类别概率。这种方法的核心是使用一个单一的神经网络，它在一次前向传播过程中就完成对整幅图像的分析，预测出边界框和类别概率，从而允许对检测性能进行端到端的优化。
YOLO的主要优势在于其速度和效率。基本版的YOLO模型能够以45帧每秒（fps）的速度处理图像，实现了实时目标检测。为了追求更高的速度，研究者还开发了Fast YOLO，其运行速度高达155 fps，而且在保持实时性能的同时，其平均精度（mAP）比其他实时检测器还要高出一倍。
尽管YOLO在定位准确性上可能略逊于某些先进的检测系统，但它的假阳性率较低，这意味着它较少将背景误判为目标。这一点对于减少错误警报和提高检测的可靠性至关重要。此外，YOLO模型在泛化能力方面表现出色。当从自然图像训练的模型应用于其他领域，比如艺术作品，YOLO的表现优于包括DPM（Deformable Part Models）和R-CNN（Regions with Convolutional Neural Networks）在内的其他检测方法。
YOLO的架构是统一的，它摒弃了多阶段检测策略，如先进行候选区域选择再分类。这使得YOLO能够在处理图像时避免不必要的计算步骤，提高了速度。YOLO网络由多个卷积层、池化层和全连接层组成，这些层共同学习从原始像素数据到边界框坐标和类别概率的直接映射。
在训练过程中，YOLO使用滑动窗口策略，对图像的不同部分进行采样，并预测每个采样区域内的边界框和类别概率。损失函数结合了位置预测的平方误差和类别概率的交叉熵，以平衡定位精度和分类准确性。
YOLO通过提出全新的目标检测框架，解决了传统方法在速度、效率和泛化能力上的不足，成为实时目标检测领域的一个重要里程碑。其设计思想和实施方式对后续的目标检测算法如YOLOv2、YOLOv3和YOLOv4等有着深远的影响，推动了目标检测技术的发展。
