关键理论的理解，后面会补充结构等。
1.YOLO1中将图像划分为7*7个网格，每个网格都预测网格中的的类别（是什么物体），以及预测到的物体所对应的框（四个位置量，一个置信度），所以最后的特征图大小为7*7*2*（5+20），也就是7*7*30。抽象出的最后一层应该是S*S*B*（5+C），S*S代表了grid的数量，B为框的数量，C为预测的类别。后面的yolo也满足这个公式。
2.在yolo中，将损失函数分为了三个部分，后续yolo也一直延续这种损失。
a.位置损失（bounding box loss）也就是预测的框的损失（xywh四个位置量的损失）（使用平方差损失）
b.置信损失（IoU相关损失）是指网络预测的框中是否有目标，有目标的话IoU是多少（使用平方差损失）
c.类别损失（classification loss）是指预测框中检测到的物体分类是否正确（使用交叉熵损失）
3.在yolo1以后得版本中都使用了DarkNet（修改为ResNet结构）作为backbone，其实就是conv加BN这种结构
4.加入了anchor 思想，使用k-means聚类获得一些anchor来作为先验框来预测框，简单来说就是在特征图上根据gt生成框的时候不在是胡乱生成以及人为设定，而是有一些规律（聚类结果）。
5.预测框生成：限制生成的框在grid（0-1）之内，后面改进为在grid的框以及两个相邻的框（-0.5,1.5）之间，这样生成的正样本就更准确且数量更多。
6.切片/Focus模块：每隔一个像素拿出一个特征值，然后把新的特征图进行通道维度的concat来增加特性的信息量，不丢失信息。大小变为1/2，数量变为*4.
7.金字塔池化（SPP和SPPF）：通过金字塔池化，让输入图像的大小可以改变。
spp通过池化将不同尺寸的输入统一为统一尺寸。
sppf是将并联结构修改为串联结构，这样参数量就更小了，训练会更快，并且增加了非线性。1个9*9相当于两个5*5.类似于一个5*5=2个3*3.
8.特征拼接：将不同维度的特征进行融合（concat），提升网络的效果。
9.多尺度预测：单尺度预测对于较小的目标检测效果不好，所以多尺度预测，用较大的感受野来预测大物体（比如13*13的特征图），用26826来预测中等的物体，52*52的来预测小物体，并且在这些层之间进行拼接，增加特征量，提升预测的效果。不同网络中的使用尺寸略有不同。
10.现在的网络通常会分为三个部分：backbone（特征提取）、neck（特征融合）、head（完成用特征进行预测等任务）
11.PAN通道融合：分为两个部分：a. FPN（高层往低层融合，也就是深层往浅层融合），传递的是强语义信息。 b. 低层往高层融合，传递的是强定位信息。融合使用的是concat方法，不再是简单的add。
11.使用了CSP结构：也就是把一个特征图分为两个部分一个部分进行多次卷积操作，一部分只进行一次操作，然后再将两个部分concat。可以提速、减少内存占用、提升网络学习能力。类似下图，不同版本之间的具体的操作会有些许不同，但是就这么个思想。
12.数据增强：
