1.概述
YoloV1是一个快速、准确的目标检测网络，优缺点如下：
优点：
1.具备实时性，网络运行速度超过45fps
3.网络结构简单，端到端
4.可用于多种对象的检测
缺点：
1.目标定位较粗糙
2.对小目标检测不太好
3.每个cell只能生成2个框，并且只能有一个类
2.网络结构
说明：网络有24个卷积层，然后是2个完全连接的层。交替的1×1个卷积层减少了前一层的特征空间。
3.检测过程中的参数
1.输入一张图片
2.系统将图片分割为一个的网格，如果一个对象的中心落入一个网格单元格中，则该网格单元格负责检测该对象。
3.每个网格单元格预测边界框和这些边界框的置信度分数。这些置信度分数反映了模型对边界框包含物体的信心，也反映了它认为盒子预测的准确性。
注：如果单元格中不包含对象则，包含对象
。
4.每个单元格2个预测框，每个框里面有六个参数，分别是，
是预测框的中心坐标，
分别是预测框的宽和高，
是置信度。此外，每个单元格还有一个参数
，其是某几类对象的概率集合。
5.计算每个预测框的得分：
6.Yolov1最终会将一张图片编码成一个如下张量：
????????其中B是每个单元格的预测框数量。
????????在论文中，
4.训练
1.作者先在ImageNet1000上预训练前20层卷积层加一个平均池化层和一个全连接层。
2.然后作者又在20层卷积层后面加了4层卷积层和随机初始化权值的完全连接层。
3.作者还把网络的输入从增加到了
。
4.作者还基于图像的大小，把预测框的缩放到了0到1之间。
5.网络的最后一层使用的是线性激活函数：
6.在每个图像中，许多网格单元格不包含任何对象。这将这些细胞的分数推向零，通常超过了确实包含物体的细胞的梯度。这可能导致模型不稳定，导致训练在早期出现分歧。为了解决这一点，作者增加了边界框坐标预测的损失，并减少了不包含对象的框的一致性预测的损失。
7.误差度量应该反映大预测框的小偏差比预测框的小偏差小。为了部分解决这个问题，我们预测边界框宽度和高度的平方根，而不是直接预测宽度和高度。
5.损失函数
