在机器视觉领域，有一类称为“目标检测”的任务，其目的是从一张图片中检测出行人、汽车、建筑物等目标，并把它们框出来，打上相应的类别标签。
在实际应用场景中，一张照片中可能出现多个目标，每个目标的类型、位置和大小都有所差异。那么，如何把这些目标全部有效地检测并标识出来呢？
一种方式是在图片上使用不同大小的窗口进行滑动，并利用一个深度神经网络来判断框选区域是不是一个完整的目标。找出所有目标位置后 ，再利用另一个深度神经网络来判断每个位置的目标是什么类型。尽管这种基于滑动窗口的方法可以得到较好的效果，但其速度较慢。
为了提高检测速度，研究者提出一种称为YOLO的实时目标检测方法。这一方法将图片分成许多小格子，神经网络可以同时预测每个小格子所代表的目标，因此不再需要大量的滑动窗口，从而实现更快速的目标检测。
那么，如何训练一个神经网络实现这一预测能力呢？
首先，如果某个目标的中心点落在某个小格子内，那么该目标就由这个小格子所代表。例如，图中红色点是狗的中心位置，那么这一点所处的小格子就负责代表这只狗。有了这一定义，我们就可以对每个小格子所代表的目标进行标记，包括目标的类别、位置、大小等信息。利用这些标注信息，就可以训练神经网络了。
在预测时，神经网络对每个小格子都预测若干可能的目标区域，最后选取那些最可靠的预测作为检测结果。由于对所有小格子的预测是同时进行的，因此可以一次性检测出图片中的所有目标，如下图所示，同时检测出了狗、自行车和小轿车。
如下是一个基于YOLO的实时目标检测的动图示例。
By：清华大学 王东