本文说明下YOLO的基础架构（源码由于太长后期单独附上）
YOLO的架构
- 先看一下YOLO V1~V3的架构↓
整体架构分成Backbone，Neck，Head 三个部分
对于各个模块说明Conv：卷积层，最基础的卷积操作
BN：Batch Normalization，我的理解请点链接
Leaky ReLu：（带泄露的 ReLU ）在输入 x < 0 时， 保持一个很小的梯度 γ 。在x＞0时，梯度为1
Res Unit：残差单元（思想同ResNet）。在Backbone中，每经过一个ResX都会进行一次下采样。
YOLO使用全卷积网络（没有全连接层），保留了空间信息
- 再看一下V4的架构↓
整体架构仍然分成Backbone，Neck，Head 三个部分
V4主要的变更点①CBL变成CBM：激活函数由Leaky ReLu变成Mish
②Res Unit变成CSPX：CSPX在Res Unit基础上又添加了更复杂的结构，两者对比请见下图↓
CSPNet和ResNet的对比可以参考另一篇文章：CSPNet 论文笔记
以上图片来自转载，引用文章：深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解
输出网格（YOLO的头部）
输出的特征矩阵 19×19，38×38，76×76对应将原图分成19×19，38×38，76×76块网格(区域)。
后面的255=3×(80+1+4)，按顺序说明下这些参数：
3：Anchor(先验框，用于框住检测的对象物体。对应每个网格，Anchor都有3种尺寸，可以理解大，中，小三个先验框)
80：Coco数据集（表明能识别的物体分类，例如：1=person, 2=bicycle, 3=car…等等总共80种）
1：Obj（只有1位，0表示无识别的物体，1表示有识别的物体）
4：tx, ty, tw, th（意义请见下图，图中蓝色框是bounding box，虚线框是anchor）
