模型网络学习篇#1：YOLOv1——最开始的地方

前言： YOLO （ You Only Look Once ）是一种目标检测算法，由Joseph Redmon等人在 2015 年提出。它的主要思想是将目标检测任务看作是一个回归问题，并且可以在一个神经网络中同时预测目标的位置和类别。该算法被命名为YOLOv1 。其中在2016年， YOLOv2 发布， YOLOv3 在 2018 年发布。最近，YOLOv12发布，可见YOLO系列仍然具有相当高的研究价值。

上图就是YOLOv1的网络结构，用现在的眼光看其实是比较简单滴，我们将一点一点解释其中每个部分的含义。

首先，Image Input就是输入图像，448*448*3就可以理解为表示大小是448*448的矩阵，这样的矩阵有3个，这3个矩阵可以理解为分别代表R、G、B的数值。

Conv是卷积层的意思，我们在上篇文章中简单解释过Conv，不过在上一篇文章里我们只讲了简单的单通道的卷积核，也没有将偏置和步幅的概念。下面进行详细的说明：

首先说偏置p：

卷积核是2*2的，那么在输入图像里面就2*2地每个格子对应地乘过去，得到新的矩阵。偏置就是给矩阵的每个元素都加2。比如图中标黄的21=（0*0+1*1+3*2+4*4）+2

在说步幅s：

上图是步幅s=2时的卷积过程，可以看到步幅就是每隔多少个元素进行一次“相乘”，s=2，就是每隔两个元素进行一次“相乘”。可以想象到，s越大输出的特征矩阵就越小。

最后说说多通道卷积：

以上就是一个多通道卷积的过程，我们可以看到输入是3通道的，卷积核是3通道的，输出却是单通道的。这就说明了多通道卷积的一个性质，我们用简图表示：

当输入特征的通道数和卷积核的通道数相等时，输出的就是单通道矩阵。那么要是有很多个卷积核呢？

有多少卷积核那么生成的新特征就有多少个通道。

此时我们再来看上图的448*448*3经过7*7*64，p=3，s=2的卷积，（先忽略池化，池化不影响通道数），生成一个通道数为64的112*112*64就容易理解了吧。那么112*112这个大小是怎么来的呢？那么除了卷积以外，还必须了解一个池化的概念了。

Maxp最大池化，运算过程很简单，就是在框框里取最大值然后形成新的矩阵。

过程就像这样，这里的Maxp，2*2，S-2，意思就是2*2里面取最大值，每隔2个取一个值。可以看到这个操作是一定会把矩阵变小的，其作用就是浓缩特征。

输出特征的大小遵循以下公式（FN就是卷积核的个数）：

遵循这个规律，我们已经可以读懂大部分的内容了，只有最后的一小节还没弄明白，明天再继续看！