当前位置：首页 > news >正文

深入解析YOLO v1：实时目标检测的开山之作

news 来源：原创 2025/6/21 17:12:49

YOLO v1 算法详解

1. 核心思想

2. 算法优势

3. 网络结构（Unified Detection）

4. 关键创新

5. 结构示意图（Fig1）

Confidence Score 的计算

类别概率与 Bounding Box 的关系

后处理：非极大值抑制（NMS）

网络结构实现细节

输出张量示例（7×7×30）

深入解析YOLO v1：实时目标检测的开山之作

YOLO（You Only Look Once）是目标检测领域的里程碑式算法，由Joseph Redmon等人在2016年CVPR会议上提出。作为第一个将目标检测任务转化为单阶段（one-stage）回归问题的算法，YOLO v1以其惊人的速度和简洁的网络结构迅速成为研究热点。本文将全面剖析YOLO v1的核心思想、实现细节及技术优势，并对比同期算法（如Faster R-CNN）的差异。

论文名称：You only look once unified real-time object detection
论文链接

YOLO v1 算法详解

1. 核心思想

YOLO（You Only Look Once）将物体检测（object detection）任务视为一个端到端的回归问题，通过单个卷积神经网络（CNN）直接从输入图像预测目标边界框（bounding box）和类别概率。

2. 算法优势

YOLO v1 的主要优势包括：

速度快：在 Titan X GPU 上达到 45 FPS，快速版（Fast YOLO）可达 150 FPS，适合实时检测。
全局推理：基于整张图像进行预测（而非滑动窗口或候选区域），减少背景误检（false positives），比 Fast R-CNN 的误检率低一半以上。
泛化能力强：学习到的特征更具通用性，在迁移到新领域时表现较好。
高准确率：在 VOC 2007 数据集上 mAP 达 63.4%，兼顾速度和精度。

3. 网络结构（Unified Detection）

YOLO v1 采用 24 层卷积网络 + 2 层全连接层，结构特点如下：

输入：448×448 图像（通过下采样适应网络）。
输出：S×S×(B×5 + C) 的张量，其中：
- S×S 表示网格划分（默认 7×7）。
- B 是每个网格预测的边界框数量（默认 2）。
- 5 包含边界框的坐标（x, y, w, h）和置信度（confidence）。
- C 是类别概率（如 VOC 数据集的 20 类）。

4. 关键创新

网格化预测：图像被划分为 S×S 网格，每个网格负责预测中心落在该区域的目标。
多任务损失函数：联合优化边界框坐标、置信度和分类概率，损失函数设计如下：
- 坐标误差（加权）
- 置信度误差（区分有无目标）
- 分类误差（交叉熵）

5. 结构示意图（Fig1）

Confidence Score 的计算

每个 bounding box 对应一个 confidence score，用于衡量该框内是否包含物体以及预测框的准确性：

公式：

- 如果 grid cell 中没有物体（背景），则 confidence = 0。
- 如果 grid cell 中有物体，confidence = 预测框与真实框的 IOU（交并比）。

如何判断 grid cell 是否包含物体？

规则：若某物体的 ground truth 边界框的中心点坐标落在某个 grid cell 内，则该 grid cell 负责预测该物体。

类别概率与 Bounding Box 的关系

类别概率（Class Probability）：
- 每个 grid cell 预测 C 个类别概率（如 VOC 数据集的 20 类），表示该 grid cell 包含物体时属于各类别的概率。
- 注意：类别概率是针对 grid cell 的，而非单个 bounding box。
Bounding Box 的最终分类得分：
- 将每个 bounding box 的 confidence 与 grid cell 的类别概率相乘，得到该 box 属于某类别的置信度得分：

- 输出矩阵：
  - 形状为 20×(7×7×2) = 20×98（20 类，98 个 bounding box）。

后处理：非极大值抑制（NMS）

阈值过滤：
- 对每一类别（矩阵的每一行），将得分 < 0.2 的 bounding box 置 0。
排序与去重：
- 按得分从高到低排序，选择最高得分的 box，计算其与其余 box 的 IOU：
  - 若 IOU > 0.5（重叠过高），则抑制（得分置 0）。
  - 否则保留。
- 重复上述过程，直到所有 box 被处理。
最终分类：
- 对每个 bounding box，取 20 个类别得分中的最大值：
  - 若最大值 > 0，则判定为对应类别；
  - 若最大值 = 0，判定为背景（忽略）。

网络结构实现细节

Backbone：基于 GoogLeNet 改进的卷积网络（24 层卷积 + 4 层 Inception 模块）。
输出层：
- 全连接层输出 7×7×30 的张量，其中：
  - 7×7：grid cell 数量。
  - 30：包含 2 个 bounding box 的坐标（x,y,w,h）和 confidence，以及 20 个类别概率。
关键改动：
- 替换 GoogLeNet 的复杂 Inception 模块为简单的 1×1 和 3×3 卷积组合，提升速度。
- 最后一层全连接层直接回归边界框和类别（端到端训练）。

输出张量示例（7×7×30）

分量	维度	说明
Bounding Box 1	5 (x,y,w,h,conf)	第一个预测框的坐标和置信度
Bounding Box 2	5 (x,y,w,h,conf)	第二个预测框的坐标和置信度
Class Probabilities	20	20 个类别的条件概率（P(class\|obj)）

深入解析YOLO v1：实时目标检测的开山之作​​

YOLO v1 算法详解​

​1. 核心思想​

​2. 算法优势​

​3. 网络结构（Unified Detection）​​

​4. 关键创新​

​5. 结构示意图（Fig1）​

​

Confidence Score 的计算​

类别概率与 Bounding Box 的关系​

后处理：非极大值抑制（NMS）​​

网络结构实现细节​

输出张量示例（7×7×30）​​

相关文章：

深入解析YOLO v1：实时目标检测的开山之作

YOLO v1 算法详解

1. 核心思想

2. 算法优势

3. 网络结构（Unified Detection）

4. 关键创新

5. 结构示意图（Fig1）

Confidence Score 的计算

类别概率与 Bounding Box 的关系

后处理：非极大值抑制（NMS）

网络结构实现细节

输出张量示例（7×7×30）