当前位置：首页 > news >正文

【目标检测】【深度学习】【Pytorch版本】YOLOV1模型算法详解

news 来源：原创 2025/7/4 21:22:08

【目标检测】【深度学习】【Pytorch版本】YOLOV1模型算法详解

文章目录

【目标检测】【深度学习】【Pytorch版本】YOLOV1模型算法详解
前言
YOLOV1的模型结构
- YOLOV1模型的基本执行流程
- YOLOV1模型的网络参数
- YOLOV1模型的训练方式
YOLOV1的核心思想
- 前向传播阶段
- - 网格单元(grid cell)的概念及其作用
  - 输出结果的后处理过程以及作用
- 反向传播阶段
总结

前言

YOLOV1是由华盛顿大学的Joseph Redmon等人《You Only Look Once:
Unified, Real-Time Object Detection【CVPR-2016】》【论文地址】一文中提出的首个单阶段目标检测模型，核心思想是将目标检测转化为回归问题求解，并基于一个单独的端到端(end-to-end)网络，利用全卷积神经网络直接从整张原始图像中预测物体的位置和类别，无需生成候选区域，从而大大提高了检测速度。

传统的目标检测方法通常包括候选区域生成、特征提取、分类和边界框回归等步骤，这些步骤通常是分开进行的，导致处理速度较慢。随着深度学习技术尤其是卷积神经网络(CNN)的发展，研究人员开始尝试将CNN应用于目标检测任务中。在YOLOv1出现之前，主流的目标检测算法如R-CNN系列采用了两阶段的方法：首先生成一系列可能包含物体的候选区域(region proposals)，然后对这些候选区域进行分类和边界框回归。这种方法虽然精度较高，但计算成本大、速度慢，因为它们需要对每个候选区域单独处理。

YOLOV1的模型结构

YOLOV1模型的基本执行流程

下图是博主根据原论文提供的YOLOV1模型结构重新绘制的详细结构示意图：

基本流程： 将图像reshape成448×448的图像，24个卷积层对输入图像进行特征提取生成一个7×7×1024的特征图，将这个特征图拉平后，第1个全连接层将卷积得到的分布式特征映射到样本标记空间，把输入图像的所有卷积特征整合到一起，第二个全连接层将所有神经元得到的卷积特征进行维度转换，最后reshape成7×7×30的特征图，其中包含了检测框的位置、大小、置信度以及分类条件概率。
YOLO网络借鉴了GoogLeNet，结构简单，包含卷积、池化、激活函数以及全连接层，其中使用了1x1卷积用于多通道信息融合。

YOLOV1模型的网络参数

YOLOV1网络参数: YOLOV1网络借鉴了GoogLeNet，结构简单，包含卷积、池化、激活函数以及全连接层，其中使用了1x1卷积用于多通道信息融合。除了最后一全连接层使用了线性激活函数外(可以理解成没有进行任何激活操作)，其余卷积层和全连接层的激活函数为Leaky ReLU。

YOLOV1模型的训练方式

YOLOV1训练分为两个阶段：

在ImageNet分类数据集上预训练分类模型。网络模型的输入为224x224，前20层卷积层作为模型的特征提取网络，随后利用全局平均池化层进行池化操作，最后利用全连接层进行1000分类；
将分类模型调整为检测模型。将网络模型的输入调整为448x448，去除全局平均池化层，并新加入4个卷积层和2个全连接层，最后将模型的输出调整为7×7×30这样的向量大小。

在训练中使用了Dropout与数据增强方法来防止过拟合。

YOLOV1的核心思想

前向传播阶段

网格单元(grid cell)的概念及其作用

网格单元的划分： YOLOV1模型输出7×7分辨率大小的特征图，标记出输出特征图每个像素在原始图片上的对应区域，即将原始图片划分为7×7个小方格大小的图片区域块，每个区域块大小为64×64。

将原始图片划分为7×7个小方格并不是真正的将图片划分为7×7块小图像区域，只不过是输出的特征图的分辨率大小为7×7，其中每个1×1的特征像素都有对应的图像区域。

网格单元的作用： 每个grid cell预测多个边界框(YOLOV1中选择2个)，预测结果包含俩部分信息：

边界框的基本信息：每个框固定包含5个元素，分别为是中心坐标x和y，检测框的宽高w和h以及对应检测框的置信度c；
多类别物体的概率值：类似于图像分类任务，根据实际的任务需求的不同，类别物体个数是不固定，因此YOLOV1最终的输出是5×2+类别物体个数，当前任务的是30=2×5+20。

当前任务的每个grid cell输出的数据维度为30×1，而7×7个方格输出的维度即为7×7×30，检查框的个数为7×7×2。

注意：这里一个grid cell只能预测一个物体类别，而不是一个检测框预测一个类别，因为俩个检测框通用(绑定)同一个多类别物体的概率值，后续的YOLO版本对其进行了改进。

网格单元边界框位置解析： 红色区域指定当前grid cell，白点表示当前grid cell左上角坐标(0,0)；橙色和浅绿色代表当前grid cell的俩个边界框；橙色点和浅绿色表示这两个边界框的中心坐标，且中心坐标一定在当前grid cell内部；边界框左边和上边的不同颜色的值分别表示对应的边界框的高和宽。

坐标值是经过归一化后的值(在0-1之间)，以左上坐标(0,0)的为坐标起始点参考；同样边界框的宽高也是经过归一化后的值，表示边界框的宽高相对于原始图像的宽高(448×448)的比值。

网格单元边界框置信度解析： 置信度 $C$ 用于评估模型预测的边界框内包含某个对象的可能性以及该边界框的准确性。
$\Pr (O{\rm{bject}}) \times IOU_{{\rm{pred}}}^{{\rm{truth}}}$

包含对象的可能性 $(O{\rm{bject}})$ ：指的是模型对于某个边界框内存在特定对象的确信程度，反映了模型认为该边界框确实包含了某个对象的信心水平，认为在当前边界框内有一个或多个对象存在的概率。这个概率，并非指具体某个类别对象在边界框内的概率，而是任意一个类别对象在边界框内的概率，只要不是背景的；
边界框的准确性 $IOU_{{\rm{pred}}}^{{\rm{truth}}}$ ：通过计算预测边界框与真实边界框(ground truth)之间的交并比(Intersection over Union, IoU)来衡量的，IoU是介于0到1之间的值，表示两个边界框重叠面积占它们合并面积的比例。值越接近1，说明预测的边界框与真实边界框越吻合。同时在非极大值抑制计算中IOU作为其中的重要指标。

网格单元类别概率值解析： 每个小方格都会输出对应的20个类别中概率最高的类别，输出的概率利用Softmax函数进行映射，维度为20×1。20个类别个数并不是固定的，而是随任务不同而不同，只是当前博文展示的任务类别是20，

注意：如上图，边界框并不是每个相同分类的小方格拼接在一起后绘制出的总区域，而是前面提到的每个小方格单独预测的。

网格单元内容总结： 在边界框示意图中，置信度越大，边界框越粗，证明其中存在目标的可能性越大；在概率图中，标记出物体类别概率的最大的类。

到此为止，网格单元(grid cell)的所扮演的角色以及其作用已经全部讲解完成，下一步则是对网格单元的输出结果进行筛选。

输出结果的后处理过程以及作用

类别置信度筛选： 在有物体的情况下，对应类别的物体的置信度，其公式为：
${C_i} = \Pr (Clas{s_i}|O{\rm{bject}}) \times \Pr (O{\rm{bject}}) \times IOU_{{\rm{pred}}}^{{\rm{truth}}}$
从公式中不难理解论文作者表达的含义：置信度即表示一种自信程度，包含了边界框内有物体的自信程度、物体归属于某个类型的自信程度以及边界框将将整个物体包括进来的自信程度。下图中框上的数值表示类别置信度的值，可以通过设置类别置信度阈值，剔除一部分置信度低于阈值的边界框。

根据博主的经验，因为类别置信度和置信度的性质和作用相似，因此一般不会通过设置类别置信度阈值来筛选合格的边界框，而是直接通过设置置信度阈值就进行筛选，可以省略计算类别置信度这个步骤。

非极大值抑制筛选： NMS(Non-Maximum Suppression)主要目的是在检测到的多个重叠边界框中选择最准确的一个作为最终结果，去除多余的重叠框。每个类别的所有边界框之间单独进行互相比较，不同类别边界框之间不会互相比较，并且不同类别间是并行处理的。

以检测狗为例，NMS算法流程：

得分排序：根据每个边界框的置信度得分对所有框进行排序作为候选列表；
选择最高分：选取得分最高的边界框作为一个确定有效的检测结果，加入到已选列表中成为已选框，并从候选列表中移除它；
抑制操作：计算所有候选框与所有已选框之间的IoU。依次取出删除候选列表中的候选框，和所有已选框进行IoU比较，假设当前候选框与某个已选框的IoU大于设定的阈值，则认为这两个框高度重合，删除得分较低的那个框，保留得分高的框在已选列表中；反之，假设当前候选框与某个已选框的IoU小于设定的阈值，则将候选框加入到已选列表中成为新的已选框。

后处理总结： 所有输出的边界框经过置信度阈值过滤和NMS过滤后得到最终确定有效的筛选结果。

反向传播阶段

损失函数： YOLOV1原论文作者提供的损失函数公式为：
$L{\rm{oss}} = {\lambda _{{\rm{coord}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } \left[ {{{\left( {{x_i} - \mathop {{x_i}}\limits^ \wedge } \right)}^2} - {{\left( {{y_i} - \mathop {{y_i}}\limits^ \wedge } \right)}^2}} \right] + {\lambda _{{\rm{coord}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } \left[ {{{\left( {\sqrt {{w_i}} - \sqrt {\mathop {{w_i}}\limits^ \wedge } } \right)}^2} - {{\left( {\sqrt {{h_i}} - \sqrt {\mathop {{h_i}}\limits^ \wedge } } \right)}^2}} \right] + \sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } {\left( {{C_i} - \mathop {{C_i}}\limits^ \wedge } \right)^2} + {\lambda _{{\rm{noobj}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{{\rm{noobj}}}} } {\left( {{C_i} - \mathop {{C_i}}\limits^ \wedge } \right)^2} + \sum\limits_{{\rm{i}} = 0}^{{S^2}} {1_{ij}^{obj}\sum\limits_{c \in classes} {{{\left( {{p_i}\left( c \right) - \mathop {{p_i}}\limits^ \wedge \left( c \right)} \right)}^2}} }$

$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {}$ 表示遍历所有网格单元并进行累加；
$\sum\limits_{{\rm{j}} = 0}^B {}$ 表示遍历所有预测边界框并进行累加；
$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{{\rm{obj}}}} }$ 表示第 $i$ 个网格中第 $j$ 个边界框有对象时为1，否则为0；
$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{{\rm{noobj}}}} }$ 表示第 $i$ 个网格中第 $j$ 个边界框没有对象时为1，否则为0；
$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {1_{ij}^{obj}\sum\limits_{c \in classes} {} }$ 表示第 $i$ 个网格中有对象时为1，否则为0；
${\lambda _{{\rm{coord}}}}$ 和 ${\lambda _{{\rm{noobj}}}}$ 是平衡系数(分别是5和0.5)，通常情况下，图片中只有少数几个目标，而绝大部分区域是没有目标的，因此加上平衡系数以避免过渡学习到没有目标的区域。

坐标损失： 包含了两个损失值，一个是边界框中心点坐标损失，一个是边界框大小损失。
${\lambda _{{\rm{coord}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } \left[ {{{\left( {{x_i} - \mathop {{x_i}}\limits^ \wedge } \right)}^2} - {{\left( {{y_i} - \mathop {{y_i}}\limits^ \wedge } \right)}^2}} \right] + {\lambda _{{\rm{coord}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } \left[ {{{\left( {\sqrt {{w_i}} - \sqrt {\mathop {{w_i}}\limits^ \wedge } } \right)}^2} - {{\left( {\sqrt {{h_i}} - \sqrt {\mathop {{h_i}}\limits^ \wedge } } \right)}^2}} \right]$
边界框中心点坐标损失采用的是平方差，容易理解的常规操作，不再解释。边界框大小损失则先对宽 $w$ ，高 $h$ 进行开根
号，然后再计算平方差。原因如下图所示，以宽 $w$ 为例，宽度相差一致的情况下，不开根号计算标注框和预测框的损失，大目标检测和小目标检测没有任何区别，损失都是一样的；但在开根计算损失时，小目标检测的损失是比大目标检测的损失大，加强了小目标损失的影响，抑制了大目标损失的影响，这种设计更符合实际情况。

举个例子，满分10分和满分100分的俩种评价体系中，9分和8分之间1分的影响，远比90分和89分的之间1分的影响更为突出，更应该关注8分到9分的提升。

置信度损失： 当有对象时， $(O{\rm{bject}})=1$ ，因此置信度的标签值 ${\mathop {{C_i}}\limits^ \wedge }$ 是预测框和标注框之间的交并比 $I o U$ ；当没对象时， $(O{\rm{bject}})=0$ ，因此标签值 ${\mathop {{C_i}}\limits^ \wedge }$ 为0。

注意！！！这里并非是有对象时置信度的标签值 ${\mathop {{C_i}}\limits^ \wedge }=1$ 。但后续yolo版本对这里作出了调整，改成了 ${\mathop {{C_i}}\limits^ \wedge }=1$ 。

$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{obj}} } {\left( {{C_i} - \mathop {{C_i}}\limits^ \wedge } \right)^2} + {\lambda _{{\rm{noobj}}}}\sum\limits_{{\rm{i}} = 0}^{{S^2}} {\sum\limits_{{\rm{j}} = 0}^B {1_{ij}^{{\rm{noobj}}}} } {\left( {{C_i} - \mathop {{C_i}}\limits^ \wedge } \right)^2}$

概率损失： 所有网格单元中，只让有目标对象的网格单元参与计算。
$\sum\limits_{{\rm{i}} = 0}^{{S^2}} {1_{ij}^{obj}\sum\limits_{c \in classes} {{{\left( {{p_i}\left( c \right) - \mathop {{p_i}}\limits^ \wedge \left( c \right)} \right)}^2}} }$

总结

尽可能简单、详细的介绍了YOLOV1模型的结构，深入讲解了YOLOV1核心思想。