企业官网建设流程全解析

一、总体概述

本文章是 YOLO V1 系列教程的续集，专注于深入讲解 YOLO V1 的网络架构设计。展示了从输入图像到最终预测输出的完整数据流，并提出了训练阶段和推理阶段两个核心问题，为后续更深入的内容做铺垫。

二、核心内容详解

1. YOLO V1 网络架构概览

Input Image (448x448x3) ↓ Back-Bone: DarkNet Architecture ↓ Convolution Output (7x7x1024) ↓ Fully Connected Layer (4096) ↓ Fully Connected Layer → Output Tensor (7x7x30) ↓ Prediction: (x, y, w, h, obj_score) × B times + class_probability × C times

2.网络组件说明

3. 输出张量解析 (7×7×30)

YOLO V1 将图像划分为 7×7 的网格 (Grid)，每个网格单元负责预测：

• 每个网格预测 B 个边界框，每个边界框包含：

1. (x, y): 边界框中心坐标（相对于网格单元）
2. (w, h): 边界框宽度和高度（相对于整幅图像）
3. obj_score: 该边界框包含目标的置信度

• 每个网格预测 C 个类别的概率
• 总长度: 5B + C = 30（对于YOLO V1，B=2, C=20，即 PASCAL VOC 数据集）

4. 网络架构特点

• 简单卷积网络: 包含 Maxpool 层和 LeakyReLU 激活函数
• 线性层: 后跟线性层和预测张量
• 端到端: 从原始图像直接输出检测结果

三、两个核心问题

问题1: 训练阶段 (Training Phase)

• 如何建立 7×7×30 的输出与输入图像标签之间的联系，以计算损失函数？

1. 需要将网络输出与 Ground Truth 边界框进行匹配
2. 设计合适的损失函数来优化边界框坐标、置信度和类别概率

问题2: 推理阶段 (Inference Phase)

• 如何从 7×7×30 的输出中获得最终的边界框和类别概率？

1. 需要对输出张量进行解码
2. 应用非极大值抑制 (NMS) 去除冗余检测框
3. 生成最终的检测结果

四、核心要点总结

1. DarkNet 主干网络: YOLO V1 使用 DarkNet 作为特征提取器，这是其独特之处
2. 网格预测机制: 将图像划分为 7×7 网格，每个网格负责预测局部区域内的目标
3. 输出张量设计: 7×7×30 的张量同时编码了边界框信息和类别信息
4. 端到端训练: 整个网络可以端到端训练，无需分阶段处理
5. 待解决问题: 视频为后续内容埋下了伏笔——损失函数设计和推理后处理