关于基于深度学习的目标检测相关算法，后续将在闲余时间陆续整理为博客，尽量展现自己的理解，若有不正确的地方欢迎大家指正。
yolov1由Joseph Redmon等于2016年发表于CVPR，作为目标检测One-stage算法的开山之作，较two-stage网络改进了proposal步骤，将检测问题转化为回归问题，直接在输入图像多个位置上回归出检测框以及目标类别。
yolov1检测示意图如上图，其将输入的图像（448x448）划分为7*7个网格，经过CNN直接在各个网格内回归目标中心点位置（X,Y），检测框长宽以及类别概率。
较two-stage的方法yolov1略去proposal生成的步骤（或者理解为提前设置好固定的proposal），并借鉴GoogLeNet网络架构（小的地方有更改）直接对输入的图像进行特征提取与边框回归、分类。
具体而言yolov1输入固定大小的448x448RGB三通道图片，经过第一个7x7卷积层得到224x224x64维特征图，然后经过2x2的最大池化层得到112x112x64维特征图（上图中第一层和第二层画的有误）后续类似，最终输出的7x7x4096维特征图经过全连接层以及激活层得到4096维特征向量，然后通过全连接层得到1470维向量，特征重排后即为7x7x30维的特征图输出，对应为原输入图像的目标检测结果。
输出的特征图含义：
yolov1最终输出7x7x30维的特征向量，其中7x7对应原图划分的7x7个grid，30维向量中，前20维代表预测为每一类目标的置信概率，后续每5维代表，1个当前bounding box的置信概率（confidence = P(object) * IOU ）其同时衡量了bounding box的回归准确性（IOU）和判断是否有目标物体的正确性（P(object) 在groundtrhth中为1/0），以及4个当前grid下检测目标的边框回归参数（x,y,w,h，四个参数可理解为对于当前grid进行平移和缩放，具体边框回归原理百度即可），通过这7x7x30维特征向量，即可完成对于原图的目标检测。
在了解yolov1的网络结构、特征向量代表的意义后，我们需要看一下yolov1中使用的loss函数，以便理解其训练过程。
loss函数是用来度量机器学习模型的预测值f(x)与真实值Y之间差异程度的运算函数，loss函数值越小，模型的鲁棒性越好，其主要用于模型的训练阶段，每一批数据经过模型计算后，通过前向传播计算得到模型的预测值，基于预测值和loss函数，可计算出本批数据的预测值与真实值之间的差异（即损失值），得到损失值后，模型通过反向传播去更新各个参数，以降低真实值与预测值之间的差异，最终完成机器学习模型的优化。那么yolov1作为目标检测算法，其loss函数是怎样的呢？
其实在讲解输出特征图的过程中，已经将loss函数公式列出了。如上图所示，yolov1-loss function可大致分为3个部分：坐标误差（边框回归）部分，IOU误差部分以及分类误差部分。
其中，
λ
c
o
o
r
d
\lambda _{coord}
λcoord和
λ
n
o
o
b
j
\lambda _{noobj}
λnoobj是考虑到目标检测任务自身存在的正负样本不均衡问题，通常而言图像被分为49个grid往往只有3-5个目标，其余均是负样本，因此yolov1分别取值5、0.5，以便平衡正负样本比例。
1
i
o
b
j
\ 1^{obj}_{i}
1iobj表示grid i中存在对象；
1
i
j
o
b
j
\ 1^{obj}_{ij}
1ijobj表示grid i的第j个bounding box中存在对象；
1
i
j
n
o
o
b
j
\ 1^{noobj}_{ij}
1ijnoobj表示grid i中的第j个bounding box中不存在对象。
训练前，对于输入的图片会进行随机的翻转、裁剪、伸缩、平滑、亮度、颜色抖动等操作，以进行数据增强。
此外，还需要将Label decode到7x7x30的向量。
