当前位置：首页 > news >正文

[目标检测] YOLO系列算法讲解

news 来源：原创 2025/7/3 20:15:05

前言

目标检测就是做到给模型输入一张图片或者视频，模型可以迅速判断出视频和图片里面感兴趣的目标所有的位置和它的类别，而当前最热门的目标检测的模型也就是YOLO系列了。

YOLO系列的模型的提出，是为了解决当时目标检测的模型帧率太低而提出来的模型，英文全称是

You only look once。

深度学习目标检测算法分类：

（1）two-stage 两个阶段的检测，模型举例 Faster-RCNN Mask-Rcnn系列

(2) one-stage 一个阶段的检测：YOLO系列

这两个主要区别可以简单理解为，两个阶段有一个选择预选框和物体分类的一个过程，而单阶段的将检测问题转换为一个回归问题

下边来详细讲解YOLO系列的各个阶段的模型。

一、YOLOv1

1、模型背景

YOLOV1，是以Joseph Redmon为首的大佬们于2015年提出的一种新的目标检测算法。它与之前的目标检测算法如R-CNN等不同之处在于，R-CNN等目标检测算法是两阶段算法，步骤为先在图片上生成候选框，然后利用分类器对这些候选框进行逐一的判断；而YOLOv1是一阶段算法，是端到端的算法，它把目标检测问题看作回归问题，将图片输入单一的神经网络，然后就输出得到了图片的物体边界框（boundingbox）以及分类概率等信息。

总结：YOLOv1直接从输入的图像，仅仅经过一个神经网络，直接得到一些bounding box（位置坐标）以及每个bounding box对所有类别的一个概率情况，因为整个的检测过程仅仅有一个网络，所以可以直接进行端到端的优化，而无需像Faster R-CNN的分阶段的优化。

end-to-end(端到端)：指的是一个过程，输入原始数据，输出最后结果。之前的网络Fast RCNN等这种网络分为两个阶段，一个是预选框的生成和目标分类与边界框回归，具体内容大家可以自行理解。

YOLO的核心思想就是把目标检测转变为一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框）的位置及其所属的类别。

2、网络结构

YOLOv1的网络结构简单清晰，是一个最传统的one-stage的卷积神经网络。

网络输入：448*448*3的三通道图片

中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。

全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。

网络输出：7*7*30的预测结果。

3、网络细节

YOLOv1采用的是”分而治之“的策略，将一张图片平均分成7*7个网格，每个网格分别负责预测中心点落在该网格内的坐标，回忆一下，在Faster R-CNN中，是通过一个RPN来获得目标的感兴趣区域，这种方法精度很高，但是需要额外训练一个RPN网络，这无疑增加了训练的负担。在YOLOv1中，通过划分得到7*7个网络，（原图划分），这49个网格就相当于是目标的感兴趣区域。通过这种方式，我们就不需要再额外设计一个RPN网络，这正是YOLOv1作为单阶段网络的简单快捷之处。

补充说明过程：

1、将一副图像分成S*S个网格（grid cell），如果某个目标的中心落在这个网格中，那么这个网络就负责预测这个object。(原本中是7个)

2、每个网格要预测B个bounding box，每个bounding box要预测（x，y，w，h）和confidence共五个值。文中B为2。

其中：x和y是这些边界框的中心坐标相对于网格单元格的坐标。也就是说，x和y是边界框中心点相对于网格单元左上角的偏移量。坐标是以网格单元格的宽度和高度为单位的相对值。因此这两个值表示的是边界框中心的精确位置。

w和h，这些是边界框的宽度和高度的相对值，通常是相对于整张图片的宽度和高度，它们表示边界框的大小，也就是边界框的高度和宽度的预测值，这些值通常是对整张图片的归一化的比例值。

confidence（置信度）：描述的是边界框的置信度（边界框包含物体的概率）。换句话说，它衡量了边界框中确实有物体的可信度。

3、每个网格还需要预测一个类别信息，记为C个类。文中为20，

4、总的来说，S*S个网格，每个网格预测2个bbx，还要预测20个类，那么网络最后输出的就是一个7*7*30.

在模型最后是生成了98个边界框，生成完边界框后，通过NMS（非极大值预测）来筛选出最优的边界框。

4、预测阶段

在模型训练完成后，向搭载玩参数的模型输入图片，然后得到最后结果的一个过程。

将网络当成一个黑箱子，输入的是一个448*448*3的RGB图像，最后输出的一个7*7*30的向量。

整体的网络结构很简单，都是卷积、池化、全连接层，一目了然。

而最后输出的向量，包含了类别、框、置信度等结果，而我们只需要解释这个向量就得到最后的结果了。

下面对最后输出的向量，进行一个分析，当我们输入一张图片的时候，最后会生成7*7*30的向量，如何去理解呢，可以将这个向量看做成7*7个1*30的向量，也就是49个1*30的向量，这里的每个1*30的向量，对应于前面的一个grid cell，将向量拆分为两个预测框的坐标以及预测框包含物体的置信度，和20个类别的条件概率。其中每个gridcell只会预测一个物体，也因此暴露出YOLOv1在小目标上检测的缺陷。然后预测中又引入了NMS向量对上述的98个框进行筛选，最后才可以得出我们的结果。

5、训练阶段

这个阶段，我首先主要是解释一下几个问题，

，首先是YOLOv1是端到端的一个网络，也就是输入的是原图，输出的是一个向量，而训练的过程包括两个过程，一个是前向传播，另一个就是反向传播，通过不断迭代，使梯度下降，进而使损失函数最小化，这个过程。训练的流程大致为，输入batchsize张图片，得出batchsize*7*7*30的一个张量，将该张量与标签（batchsize*7*7*30的向量）计算出损失为多少，然后根据这个损失对网络的参数进行梯度计算，不断迭代，不断优化参数，这样的一个过程。我觉得这样理解好理解的多。

这个代码大致流程可以分为以下部分

1、超参数初始化

2、数据初始化，构造数据迭代器，因为原本一张图片对应的标签并不是7*7*30的一个向量，因此要对数据进行预处理，把每一个图片的标签变成7*7*30的一个格式。

3、网络初始化，我这里给的代码使ResNet50的网络，这个网络也叫做backbone大家以后会经常看到的，网络结构差不多，然后输入是bs*448*448*3，输出就是bs*7*7*30的这样一个结构

4、上述都可以看成初始化过程，然后就开始训练，也就是前向传播，反向传播，参数优化这样迭代的一个过程，最后保存参数。

6、损失函数

可以大致看成四个部分，

第一部分表示负责检测物体的bounding box中心点定位误差，要和ground truth尽可能拟合，x xx带上标的是标注值，不带上标的是预测值。

第二表示表示负责检测物体的bounding box的宽高定位误差，加根号是为了使得对小框的误差更敏感。

第三部分：

第四部分是负责检测物体的grid的分类误差。

7、总结

模型优点：YOLO检测速度非常快，标准版本的YOLO可以每秒处理45张图像，YOLO的极速版本可以每秒处理150帧图像，这就意味着该模型可以实时处理视频，在当时，准确率比它高的，速度没他快，速度比他快的，精度没他高。

迁移能力强，能运用到其他新的领域。

局限：

1、YOLO对相互靠近的物体，以及很小的群体检测效果不好，因为只预测了98个框。假如一张图片有200个目标的话，根本检测不完。

2、由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上。有待提高。

3、对一些不常见的角度的目标泛化性能差。