1. 输入预处理（Input Preprocessing）

作用：将原始数据转换为适合CNN处理的格式。

• 图像尺寸统一化：如YOLOv5默认输入尺寸为640x640，所有输入图像会被缩放到这个尺寸。
• 归一化：像素值从[0,255]缩放到[0,1]或[-1,1]。
• 通道处理：BGR转RGB（OpenCV读取的图像需要转换）。
• 批处理：多个样本打包成batch（如batch_size=16）。

Python复制

# YOLO中的典型预处理代码
img = cv2.resize(img, (640, 640))  # Resize
img = img / 255.0  # 归一化
img = np.transpose(img, (2,0,1))  # HWC → CHW

2. 卷积层（Convolutional Layer）

核心操作：局部感受野的特征提取。

• 输入张量：形状为 [B, C, H, W]（Batch, Channels, Height, Width）。
• 卷积核：可学习的权重矩阵，形状为 [K, C, Fh, Fw]。
• K：输出通道数（即filter数量）。
• Fh/Fw：滤波器高度/宽度（如3x3）。
• 计算过程：Output_{i,j,k} = ∑_{c=0}^{C-1} ∑_{m=0}^{Fh-1} ∑_{n=0}^{Fw-1} Input_{c, i+m, j+n} * Filter_{k,c,m,n} + Bias_k
• 输出维度：
• 复制
• H_out = (H_in + 2*pad - Fh) / stride + 1 W_out同理

YOLO应用：Darknet骨干网络中使用大量3x3卷积，配合1x1卷积调整通道数。

3. 激活函数（Activation Function）

作用：引入非线性。

• 常见选择：
• ReLU：f(x) = max(0, x)（YOLO主要使用）。
• LeakyReLU（解决“神经元死亡”问题）。
• SiLU（YOLOv5/v6使用）。

数据变化：不改变张量维度，只进行逐元素运算。

4. 池化层（Pooling Layer）

作用：降维并保留主要特征。

• 最大池化：取窗口内最大值（YOLO常用）。
• 平均池化：取窗口内平均值。
• 步长影响：一般stride=2，输出尺寸减半。

示例：

输入尺寸：64x64 → 2x2池化 → 输出32x32

5. 特征图堆叠（Feature Hierarchy）

典型结构：

Input → Conv1 → ReLU → Pool1 → Conv2 → ReLU → Pool2 → ... → Flatten

YOLO特色：

• 使用跨阶段部分连接（CSPNet）减少计算量。
• SPP层（Spatial Pyramid Pooling）融合多尺度特征。

6. 全连接层（Fully Connected Layer）

作用：将高维特征映射到目标空间。

• 输入：展平后的特征向量（如7x7x512 → 25088维）。
• 输出：根据任务设计（分类任务输出类别概率，检测任务输出坐标+类别）。

YOLO变体：

• 使用1x1卷积代替全连接层（保留空间信息）。
• 检测头输出形状：[B, anchors*(5+classes), H, W]。

7. 输出处理（Output Processing）

分类任务：

• Softmax归一化得到概率分布。

目标检测任务（YOLO）：

• 边界框解码：
• 复制
• # 将网络输出的偏移量转换为实际坐标 pred_x = (sigmoid(tx) * 2 - 0.5) + grid_x pred_y = (sigmoid(ty) * 2 - 0.5) + grid_y pred_w = (sigmoid(tw) * 2)^2 * anchor_w pred_h = (sigmoid(th) * 2)^2 * anchor_h
• 非极大值抑制（NMS）去除冗余框。

8. 反向传播（Backpropagation）

虽然主要关注前向流程，但理解反向传播有助于把握数据流转：

1. 计算损失函数（YOLO使用CIoU Loss）。
2. 通过链式法则逐层计算梯度。
3. 优化器（如SGD/Adam）更新权重。

YOLO数据流示例（简化版）

输入图像 → 数据增强 → Backbone（CSPDarknet） → Neck（PANet） → Head（检测输出） → 后处理（NMS）

关键参数计算技巧

1. 感受野计算：当前层感受野 = 上一层感受野 + (kernel_size - 1) * 所有前面层的stride乘积
2. FLOPs估算：FLOPs = H_out * W_out * C_in * C_out * K_h * K_w

通过这个流程，可以更清晰地理解CNN/YOLO内部的数据流转机制。实际应用中可以使用TensorBoard或Netron可视化网络结构辅助理解。