当前位置：首页 > news >正文

【目标检测系列】YOLOV1解读

news 来源：原创 2025/7/22 3:49:47

目标检测系列文章

📄 论文标题

YOLOV1 You Only Look Once: Unified, Real-Time Object Detection
作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
团队：University of Washington

🧠 论文逻辑梳理

1. 引言部分梳理 (动机与思想)

Aspect	Description (Motivation / Core Idea)
问题背景 (Problem)	传统的优秀目标检测器（如R-CNN系列）虽然精度高，但流程复杂（候选区域生成 + 分类 + 回归），导致速度慢，难以满足实时性要求。
目标 (Goal)	对整张图片只进行一次前向传播，直接从完整的图像像素预测边界框坐标和类别概率。
核心思想 (Core Idea)	将目标检测视为一个单一的回归问题，而不是一个复杂的、多阶段的流程。

📝 三句话总结

方面内容

方面	内容
❓发现的问题	传统目标检测方法速度慢：当时的SOTA检测器如R-CNN系列（包括Fast R-CNN, Faster R-CNN）虽然精度高，但通常包含多个阶段（如候选区域生成、特征提取、分类、边界框回归），导致计算量大，难以满足实时应用的需求。流程复杂：多阶段流程使得系统优化和训练相对复杂。
💡提出的方法 (R-CNN)	统一的检测框架 (Unified Detection Framework)：YOLO将目标检测重新定义为一个单一的回归问题。整个图像通过一个单独的卷积神经网络，直接输出所有目标的边界框坐标和类别概率。这摒弃了传统方法中的候选区域生成步骤。网格划分 (Grid Cell System)：将图像划分为 $\times S$ 的网格。如果一个物体的中心落入某个网格单元，该单元就负责预测这个物体。这种空间约束简化了问题，并使得每个单元的任务相对独立。全局信息利用：由于网络一次性处理整个图像，它在做预测时能够利用图像的全局上下文信息，这有助于减少背景误检（将背景错误地识别为物体）。
⚡该方案的局限性/可改进的点	对小物体检测效果不佳：每个网格单元只能预测有限数量（ $B$ 个）的边界框，并且`只负责预测一个类别（共享类别概率）`。如果多个小物体的中心落入同一个网格单元，YOLOv1只能检测出来一个。定位精度相对较低：由于网格划分相对较粗，且边界框的预测直接从特征图回归得到，其定位精度不如那些依赖精细候选区域的方法。对不常见宽高比或尺寸的物体泛化能力也有限。每个网格单元只能预测一个类别集合：如果一个网格单元内同时包含多个不同类别的物体（即使中心点不同，但都落入该单元），由于类别概率共享，它也难以同时识别出这些不同类别的物体。召回率相对较低：与基于候选区域的方法相比，YOLO产生的候选框数量是固定的 ( $\times S \times B$ )，这可能导致对一些物体的漏检。损失函数对大框和小框的权重处理：虽然对w和h使用了平方根来缓解大框误差主导损失的问题，但对不同尺寸物体的定位精度仍有优化空间。

❓发现的问题

传统目标检测方法速度慢：当时的SOTA检测器如R-CNN系列（包括Fast R-CNN, Faster R-CNN）虽然精度高，但通常包含多个阶段（如候选区域生成、特征提取、分类、边界框回归），导致计算量大，难以满足实时应用的需求。
流程复杂：多阶段流程使得系统优化和训练相对复杂。

💡提出的方法 (R-CNN)

统一的检测框架 (Unified Detection Framework)：YOLO将目标检测重新定义为一个单一的回归问题。整个图像通过一个单独的卷积神经网络，直接输出所有目标的边界框坐标和类别概率。这摒弃了传统方法中的候选区域生成步骤。
网格划分 (Grid Cell System)：将图像划分为 $\times S$ 的网格。如果一个物体的中心落入某个网格单元，该单元就负责预测这个物体。这种空间约束简化了问题，并使得每个单元的任务相对独立。
全局信息利用：由于网络一次性处理整个图像，它在做预测时能够利用图像的全局上下文信息，这有助于减少背景误检（将背景错误地识别为物体）。

⚡该方案的局限性/可改进的点

对小物体检测效果不佳：每个网格单元只能预测有限数量（ $B$ 个）的边界框，并且只负责预测一个类别（共享类别概率）。如果多个小物体的中心落入同一个网格单元，YOLOv1只能检测出来一个。

定位精度相对较低：由于网格划分相对较粗，且边界框的预测直接从特征图回归得到，其定位精度不如那些依赖精细候选区域的方法。对不常见宽高比或尺寸的物体泛化能力也有限。

每个网格单元只能预测一个类别集合：如果一个网格单元内同时包含多个不同类别的物体（即使中心点不同，但都落入该单元），由于类别概率共享，它也难以同时识别出这些不同类别的物体。

召回率相对较低：与基于候选区域的方法相比，YOLO产生的候选框数量是固定的 ( $\times S \times B$ )，这可能导致对一些物体的漏检。

损失函数对大框和小框的权重处理：虽然对w和h使用了平方根来缓解大框误差主导损失的问题，但对不同尺寸物体的定位精度仍有优化空间。

🔍 方法逻辑梳理

模型输入 (Input) 是什么？
- 一张完整的图像，通常缩放到固定尺寸（例如 $448 \times 448 \times 3$ 的张量）。
处理流程 (Processing Flow)（encoder，decoder，有没有特殊模块？）
1. Encoder (编码器/特征提取器)：
  - YOLOv1使用一个单一的卷积神经网络作为其骨干网络（Encoder）。这个网络基于GoogLeNet（包含24个卷积层）或作者后来提出的Darknet（包含19个卷积层）进行修改。
  - 它的作用是从输入图像中提取丰富的特征。通过一系列卷积层和池化层，图像的空间维度逐渐减小，而特征维度（通道数）逐渐增加。
2. Decoder (解码器/预测头) - 概念上的：
  - 严格来说，YOLOv1不像现代的Encoder-Decoder架构（如U-Net或Transformer）那样有一个明确的、复杂的Decoder结构。
  - 可以认为其网络的最后几层（通常是全连接层，或者在全卷积版本中是卷积层）充当了“解码”或“预测”的角色。这些层接收来自Encoder的高层特征图，并将其转换为最终的预测张量。
3. 特殊模块/概念：
  - 网格划分 (Grid Cell)：这不是一个网络层，而是一个核心概念。网络输出的张量在空间上对应于输入图像的 $\times S$ 网格。
  - 全连接层 (Fully Connected Layers)：在原始YOLOv1论文中，骨干CNN的输出特征图会先被展平，然后通过两个全连接层来最终预测边界框坐标、置信度和类别概率。这意味着网络的输出具有固定的空间维度（ $\times S$ ），对于不同尺寸的输入图像，需要先将其缩放到固定大小。
  - 边界框参数化：预测的 $(x, y)$ 是相对于网格单元的偏移， $(w, h)$ 是相对于整个图像的比例。这种相对坐标的预测方式使得学习更容易。
  - 置信度计算： $P(\text{Object}) \times IOU_{\text{pred}}^{\text{truth}}$ 的定义是一个关键。
输出 (Output) 是什么？
- 一个三维张量，形状为 $\times S \times (B \times 5 + C)$ 。
  - $\times S$ : 代表网格的数量。
  - 对于每个网格单元 ( $\times S$ 中的一个)：
    - $\times 5$ : 包含 $B$ 个边界框的预测信息。每个边界框有5个值： $\text{confidence})$ 。
    - $C$ : 包含 $C$ 个类别的条件概率 $P(\text{Class}_i \| \text{Object})$ 。
怎么训练 (Training)？
1. 数据准备：将真实标注（物体类别和边界框坐标）通过 YoloMatcher（或类似逻辑）转换为基于网格的目标张量（gt_objectness, gt_classes, gt_bboxes）。
2. 损失函数：如前所述，使用一个多部分组成的损失函数，优化定位、置信度和分类。
  - 定位损失：只对正样本（负责检测物体的预测框）计算 $(x, y, w, h)$ 的均方误差（ $w, h$ 取平方根）。乘以权重 $\lambda_{\text{coord}}$ 。
  - 置信度损失：
    - 对正样本：目标是其与真实框的IoU，计算均方误差。
    - 对负样本：目标是0，计算均方误差。乘以权重 $\lambda_{\text{noobj}}$ 。
  - 分类损失：只对包含物体的网格单元（正样本单元）计算类别概率的均方误差。
3. 优化器：使用标准的随机梯度下降（SGD）及其变种进行优化。
4. 预训练：骨干网络通常在ImageNet等大规模图像分类数据集上进行预训练，以学习通用的图像特征，然后进行微调。

🚀 关键创新点

创新点1：统一的检测框架 (Unified Detection as Regression)
- 为什么要这样做？ 为了解决传统多阶段检测方法（如R-CNN系列）速度慢、流程复杂的问题。将检测视为单一的回归任务可以大大简化流程并提高效率。
- 如果不用它，会出什么问题？ 检测速度会很慢，难以满足实时应用的需求。系统集成和优化也会更加复杂。
创新点2：全局上下文信息利用 (Global Context)
- 为什么要这样做？ 传统方法中，分类器通常只看到局部候选区域，缺乏全局信息，容易将背景误识别为物体。
- 如果不用它，会出什么问题？ 背景误检（False Positives）的概率会更高。YOLO在预测时能看到整张图片，因此对物体及其周围环境有更全面的理解，能更好地区分物体和背景。
创新点3：网格单元划分与责任分配 (Grid Cell System)
- 为什么要这样做？ 提供了一种简单有效的方式来将物体的空间定位问题离散化，并为不同的预测器分配明确的职责。每个单元格只负责预测其中心点落入的物体，并预测少量的边界框。
- 如果不用它，会出什么问题？ 如果没有这种空间约束，直接从全局特征回归所有物体的位置和类别会非常困难，模型可能难以收敛，或者需要更复杂的机制来处理多个物体的输出。网格系统简化了输出结构和学习目标。

🔗 方法流程图

在这里插入图片描述

关键疑问解答

知乎:YOLOV1详解

Q1: 关于 YOLOv1 中的 “confidence scores”

在这里插入图片描述
置信度分数是 YOLO 中衡量每个预测边界框“质量”的关键指标。它巧妙地结合了 框内是否有物体 和 框的位置准不准 这两个因素。

Q2 YOLOv1 如何确定正样本？

对于一个真实物体（Ground Truth Object）：
其正样本是 -> 位于包含该物体中心点的那个网格单元内 -> 预测出的边界框与该物体真实边界框 IOU 最高的那个边界框预测器。

训练中的意义：

正样本：在计算损失函数时，这个预测器需要：
1、学习预测正确的物体类别（Class Probability Loss）。
2、学习预测更接近真实边界框的坐标 $(x, y, w, h)$ （Coordinate Loss）。
3、学习预测一个高的置信度分数（Confidence Loss，目标通常是 1 或等于其预测框与真实框的 IOU）。

负样本 (Negative Samples)：
所有不包含任何物体中心点的网格单元中的所有预测器。
包含物体中心点的网格单元中，除了那个被选为正样本（IOU最高）之外的其他 B−1 个预测器。
对于这些负样本，主要计算置信度损失 (Confidence Loss)，目标是让它们的置信度分数趋近于 0（表示它们不包含物体）。它们的坐标损失和类别损失通常不计算或权重为零。

其实就是让负样本预测背景，正样本预测前景，这个Objectness（框的置信度）把前景和背景解耦开了，一生二的思想