深入解析YOLO v1：实时目标检测的开山之作

目录

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：

1. ​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。
2. ​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。
3. ​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。
4. ​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）​​

1. ​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。
2. ​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。
3. ​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)）