【背景描述】
YOLO之前的物体检测方法，如R-CNN,Fast-R-CNN,Faster-R-CNN等，主要是通过候选区域产生大量的可能包含待检测物体的预训练框，再用分类器去判断每个框里是否包含有物体，以及物体所属类别的概率或者置信度。YOLO不同于这些物体检测方法，它将物体检测任务当做一个回归问题来处理，使用一个神经网络，直接从一整张图像来预测出框的坐标、框中包含物体的置信度和概率。因为YOLO的物体检测流程是在一个神经网络里完成的，所以可以端对端的来优化物体检测性能。

【命题内容】

1. 基于MindSpore Vision套件实现YOLO网络模型。

【数据集】
PASCAL VOC数据集（使用VOC2012的训练/验证集和VOC2007的测试集，镜像下载地址https://pjreddie.com/projects/pascal-voc-dataset-mirror/）

【参考内容】

1. 论文地址：https://arxiv.org/pdf/1506.02640.pdf
2. 参考代码地址：https://github.com/abeardear/pytorch-YOLO-v1

【产出标准】

1. 完成YOLOv1的backbone和model接口的编写；
2. 完成YoLOv1模型训练，验证，推理代码的编写，并能够成功跑通；
3. 输出精度达标的预训练模型YOLO和YOLO VGG16。
   

【PR提交地址】
https://gitee.com/mindspore/vision

【答题要求】

1. 必须使用昇思MindSpore框架，不得引入Pytroch和Tensorflow等第三方AI框架及其库。
2. 作业提交内容包括精度Benchmark等，格式参考examples/classification/mobilenetv2。
3. 提供该网络模型原论文或者地址提供的所有结构，避免只实现一种结构，并尽可能服用vision套件的API接口。
4. 代码按照开源的方式上传https://gitee.com/mindspore/vision，边开发边上传，每个PR代码按规则不超过300行。
5. 基于vision套件实现的网络模型后，提供算法原理+API代码+核心伪代码的ipython案例，详细参考resnet50。