【目标检测】原始的 YOLOv1 网络结构（GoogLeNet 作为 backbone 的实现）

现在看网上的很多 YOLOv1 的代码实现，基本都是使用新的 backbone，例如 ResNet 或者 VGG 来实现的，因为这些后面的通用的 backbone 可能比较方便的获得预训练模型，不需要从头开始训练。

但是我就是想看一下，一开始 YOLOv1 网络结构是咋样的，所以就当做学习了，来还原一下最初的 YOLOv1 网络结构。

比较常见的图有两张:

这张是原论文里面的图片，我后面根据下面的卷积参数进行复现的时候，发现如果严格按照上面的输出的话，有输出张量的通道数，图上应该是标错了的。

这里张图应该也是网友制作的图，但是其中的一个张量的尺寸也是错误的。

首先我们根据论文提供的第一张图的网络结构参数来复原一下：

从这个这个表格我们可以看到：

• 前 20 层是 backbone，属于魔改之后的 GoogLeNet 网络，修改的细节后续会给出。
• 在 backbone 后面，还接着 4 个卷积层和 2 个全连接层，最后进行 reshape，输出我们想要的张量维度。

YOLOv1 的 backbone 是根据 GoogLeNet 进行修改的。

首先看一下 GoogLeNet 的网络结构，之前出过一篇文章专门介绍 Inception 家族的，所以 GoogLeNet 的结构示意图如下：

具体来说，这里的 GoogLeNet modification（20 layers）就是采用 1×1 卷积层加 3×3 卷积层替换了
GoogLeNet 中的 Inception 模块，然后去掉了第二层 1x1 的卷积层和最后的 fc 层

这就是我们 YOLOv1 的网络结构图：

• 左边部分就是魔改之后的 GoogLeNet backbone，其中 Inception 的部分都使用 1x1 和 3x3 卷积替代了。简单来说，相当于将 Inception 模块中多条分支，只保留了 1x1 和 3x3 卷积单条分支。
  
• 中间部分就是紫色 Stem 模块的展开，其中如同上面描述的那样，第二层的 1x1 卷积去掉了
• 右边部分就是 YOLOv1 最后的输出部分

参考文献

• 目标检测 YOLO 系列： 开宗立派 YOLO v1
• You Only Look Once: Unified, Real-Time Object Detection