YOLOV1神经网络结构

网络结构借鉴了 GoogLeNet 。24个卷积层，2个全链接层。（用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）
参考链接

1.第一层卷积层： $7$ $\times$ $7$ $\times$ 1 每个通道64个卷积核 -s- 2

过滤器可以看做是卷积核的集合。
一个过滤器就对应一个特征图。
卷积后深度与卷积核的个数一致

64是卷积核filter的深度
第一层通道3（RGB）通过深度64的过滤器扩展为192（3×64）的张量。
-s- 是stride参数 步长
Maxpool.Layer的意思是池化层 2$×$2 stride是2 的池化层

原图式：n x n
卷积核： f x f
padding（边框补充）： p
stride ：s 此处s=2
输出图像像素表达式：[(n+2p-f)/s +1] x [(n+2p-f)/s +1] 如果计算出不是整数，则向下取整

则上述是 （448/2） x （448/2） = 224 x 224,
再经过最大池化 （224/2 x (224/2） = 112 x 112
所以得到一个 112 x 112 x 192 的张量

2.第二层卷积层： $3$ $\times$ $3$ $\times$ 192 步长默认为1
经过 2 $\times$ 2 步长为2的池化层
112/2 $\times$ 112/2 = 56 $\times$ 56
有256个卷积核所以生成深度256的张量

经过一系列操作之后，得到了一个771024的数据。
进行两层全连接：拉平放入一个有4096个神经元的全连接层中，输出4096维的向量，然后又导入有1470个神经元的全连接层中，输出1470维的向量，然后改变一下形式，变成最后的7$\times$ 7$\times$ 30（2*5+20）。

训练

然后这个7$\times$ 7$\times$ 30的张量用损失函数进行训练。

参数设置：
对坐标预测，给这些损失前面赋予更大的loss weight, 记为 λcoord ,在pascal VOC训练中取5。（上图蓝色框）
对没有object的bbox的confidence loss，赋予小的loss weight，记为 λnoobj ，在pascal VOC训练中取0.5。（上图橙色框）
有object的bbox的confidence loss (上图红色框) 和类别的loss（上图紫色框）的loss weight正常取1。

对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏相同的尺寸对IOU的影响更大。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个巧妙的办法，就是将box的width和height取平方根代替原本的height和width。 如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。

在 YOLO中，每个栅格预测多个bounding box，但在网络模型的训练中，希望每一个物体最后由一个bounding box predictor来负责预测。因此，当前哪一个predictor预测的bounding box与ground truth box的IOU最大，这个predictor就负责predict object。

数据集、代码实现：

参考链接