samylee的博客

需要注意yolov1全连接层的数据排序，其输出的channels=(S*S*(5*B+C))=1470，前7x7x20存储的是voc20类的概率，中间7x7x2存储的是2个矩形框的目标概率，最后7x7x2x4存储的是2个矩形框的边框信息。从上图可以看出yolov1-tiny的网络架构较为简单，只是采用卷积层和全连接层累加的形式，但并不能否认该网络在当时是开山之作，后面的架构都是基于该架构的思想进行创作的！小伙伴们好，博主很久没有写博客了，略感生疏，不到之处敬请谅解，欢迎指出文中错误，大家一起探讨。

博主暂未加PyTorch的训练代码，因ImageNet训练时间较长，所以直接使用了Extraction的网络模型，若有需要的小伙伴可以评论或私信给博主，博主可添加Extraction分类网络的PyTorch的训练方法。小伙伴们若能坚持完成YOLO系列的代码和原理学习，相信能对图像检测任务有个全新的认识，跟随博主的脚步，培养自己的动手能力吧！2、Darknet存储参数的序列和PyTorch稍有不同，若遇到BatchNorm架构的卷积层，Darknet会先存储BatchNorm层的参数，进而存储卷积层的参数；