YOLO v1
网络结构：VGG16 + YOLO检测头
[ [conv + leaky_relu]*n + maxPooling ]*n + FC -->> 7×7×30
1次下采样通过conv s=2实现，5次下采样通过maxpooling实现，感受野2^ (1+5) = 64×64。
VGG16结构如下图第C列：
输出形状的理解：7×7代表映射到输入图像后，分为7×7个格子；30代表20+5+5；两个5代表一个grid预测两个bounding box，5代表预测出的xywhc，xywh即box信息，c为置信度；若该bounding box负责预测物体则理想的c为该框与gt框的iou，若该框不预测物体理想值为0；20代表该grid的预测类别（可以当成one-hot形式），不难看出每个grid的两个框共用一个类别，因此对于靠的比较近的不同类别的物体检测效果不行（其实相同类别也不行，后面会解释）。损失函数：包含三部分，分别是 坐标回归损失、置信度损失、分类损失。都是直接暴力计算均方损失，直接搬运子豪兄的过来
关于上面这个东西的意义：若第i个grid的第j个bouding box负责预测物体，则为1，否则为0；
bouding box负责预测物体的定义：若gt框的中心落在了一个grid cell内，则该grid的两个bounding box中有一个负责预测该物体，分别计算两个预测出的bounding box与该gt框的iou，iou大的框负责预测，则该符号值为1，否则为0。（即一个grid的两个框最多只有一个会预测物体，所以同类别的两个目标比较近的时候（两个gt框的中心落在一个grid cell中），对不起v1只能检测出一个）
网络特点：
- 使用了dropout，没用BN层；（模型太老了）
- 除了最后一层的conv使用普通relu，之前的层都是用leaky_relu;
- 通过maxpooling实现下采样；
- 后面通过又笨又慢的FC层实现特征融合
- backbone使用的是VGG-16或者GoogleNet（v2才有自家的darkent）
优点： 快！！
缺点：
- mAP低于RCNN系列
- 精确定位性能较差
- 对小目标、密集目标检测效果差（最多检测49个目标）->recall低