**摘要**
我们提出一种新的目标检测算法——YOLO。以前有关目标检测的研究将检测转化成分类器来执行。然而，我们将目标检测框架化为空间分隔的边界框及相关的类概率的回归问题。在一次评估中，单个神经网络直接从整幅图像中预测边界框和类概率。因为整个检测管道是单个网络，在检测性能上可以直接进行端到端的优化。
我们的统一架构非常快。我们的基础YOLO模型以每秒45帧的速度实时处理图像。较小型的网络Fast YOLO，以惊人的每秒155帧的速度处理图像，同时达到其他实时检测器的两倍的mAP。与最先进的检测系统相比，YOLO产生更多的本地化错误，但在背景上预测错误的可能性较小。最后，YOLO学到了目标的整体特征。当从自然图像推广到艺术品等其他领域时，它的性能优于其他检测方法，包括DPM和R-CNN。
