yolov1模型结构和训练测试流程详解

一、网络结构

①首先经过一个VGG主干网络提取特征，这里的主干网络可以自己选择，使用resnet也可以。
②reshape为一维，然后进行全连接，in_dim=25088，out_dim=4096，需要注意的是这里的25088是由51277得到的，而不同大小的图像经过主干网络提取特征后的大小也是不一样的，所以如果输入的图像大小不是448的话，就需要修改这里的in_dim。
③第二个全连接层，in_dim=4096，out_dim=1470，这里的out_dim是由7730得到的，是为了reshape成7×7×30的向量，至于为什么yolov1的输出是一个7×7×30的向量，而不是r-cnn系列的具体的框坐标等信息，后面会解释。

二、数据处理
①在训练时，会对数据进行随机的翻转和裁剪等操作

img, boxes = self.random_flip(img, boxes)#随机翻转
img,boxes = self.randomScale(img,boxes)#伸缩变形
img = self.randomBlur(img)#平滑处理
img = self.RandomBrightness(img)#亮度调节
img = self.RandomHue(img)#色度调节
img = self.RandomSaturation(img)#饱和度调节
img,boxes,labels = self.randomShift(img,boxes,labels)#随机平移
img,boxes,labels = self.randomCrop(img,boxes,labels)#随机裁剪

②训练和测试，会对输入网络前的数据进行去均值和resize，需要注意的是，如果想要设图像为448×448以外的size，需要修改model中全连接层的参数

boxes /= torch.Tensor([w,h,w,h]).expand_as(boxes)#坐标归一化处理
img = self.BGR2RGB(img)
img = self.subMean(img,self.mean)#减去均值
img = cv2.resize(img,(self.image_size,self.image_size))#调整图片尺寸为448*448

③训练前最重要的一步，将标签decode到7×7×30的向量（这里的7代表检测的密度，可以自己设定，会改变检测精度和性能；这里的30代表((4+1)*2+20)，4表示检测框的中心点坐标x、y和宽高w、h，1表示是否是被检测物体的置信度，2表示回归两个矩形框，20表示20个类别）

三、训练
①输入数据：image(3×448×448)，label(7×7×30)
②训练策略：没什么好写的，就是平常的训练步骤
③loss函数：YOLO给出的损失函数如下

此处给出的loss函数解释(转载https://www.jianshu.com/p/cad68ca85e27)：
公式中
$l_i^{}$