YOLO算法

理解YOLO（You Only Look Once）算法的关键在于抓住其核心设计思想：将目标检测问题转化为单次全局回归任务，通过一次前向传播直接预测所有目标的边界框和类别。

核心步骤拆解

输入与网格划分

• 输入图像：统一缩放至固定尺寸（如416x416），方便批量处理。
• 网格划分：将图像分割为 ( S × S ) 的网格（如7x7），每个网格对应输出特征图中的一个单元格。

边界框预测（Bounding Box Prediction）

• 每个网格预测多个边界框（如YOLOv1中每个网格预测2个框）：
  • 每个框预测5个值：( (x, y, w, h, confidence) )
    • ( x, y )：框中心相对于当前网格的偏移量（范围0~1）。
    • ( w, h )：框的宽高相对于整张图像的归一化比例。
    • ( confidence )：置信度 = ( P(Object) × IOU )（存在物体的概率 × 预测框与真实框的交并比）。
• 关键点：即使一个网格内有多个物体，YOLOv1只能检测到有限数量（由预设的边界框数量 ( B ) 决定），这是早期YOLO的局限。

类别预测

• 每个网格独立预测类别：输出 ( C ) 个类别的条件概率 ( P(\(Class_i\) | Object) )，表示“如果该网格有物体，它属于每个类别的概率”。
• 最终类别置信度 = ( P(\(Class_i\) | Object) × confidence )。

输出整合

• 最终输出是一个 ( S × S × (B × 5 + C) ) 的张量。
  例如：YOLOv1（S=7, B=2, C=20）输出7x7x30的矩阵，每个网格包含：
  • 2个边界框（每个框5个值：x,y,w,h,confidence）
  • 20个类别的概率

后处理：非极大值抑制（NMS）

• 过滤冗余框：同一物体可能被多个网格或边界框检测到，NMS会保留置信度最高的框，抑制与其重叠度高的低置信度框。

YOLO从v1到v3的演进

1. YOLOv1（2016）：单阶段检测的奠基

核心设计

• 输入：448x448图像 → 划分为7x7网格（每个网格预测2个边界框）。
• 输出：7x7x30张量（2个框×5参数 + 20类概率）。
• 网络结构：24层卷积 + 4层全连接（类似GoogLeNet简化版）。

关键技术

1. 全局回归：直接预测边界框坐标（无锚框）。
2. 损失函数：综合坐标误差、置信度误差和类别误差。
   坐标误差权重更高（避免定位偏差）。
3. 端到端训练：直接优化检测任务。

优点与局限

• 优点：速度极快（45 FPS），全局推理。
• 缺点：
  • 定位粗糙：网格划分导致小目标漏检。
  • 召回率低：每个网格仅预测2个框，密集目标处理差。
  • 全连接层限制：丢失空间信息，泛化能力弱。

2. YOLOv2（2017）：精度与速度的平衡

核心改进

• 引入锚框（Anchor Boxes）：
  预定义不同长宽比的边界框模板（如5种），模型预测偏移量而非直接坐标，提升对多尺度目标的适应性。
• 网络结构升级：
  使用Darknet-19（19层卷积 + 5层池化），全卷积结构（无全连接层），保留空间信息。
• 关键技术突破：
  1. Batch Normalization：加速收敛，防止过拟合。
  2. 高分辨率微调：先在448x448图像上微调分类网络，提升检测精度。
  3. 多尺度训练（Multi-Scale Training）：每隔10个batch随机缩放输入图像（320x320到608x608），增强模型鲁棒性。
  4. 维度聚类（Dimension Clusters）：通过K-means聚类真实框尺寸，确定更合理的锚框比例。
  5. 细粒度特征融合：将浅层特征（26x26）与深层特征拼接，提升小目标检测。

输出与性能

• 输入：416x416 → 输出13x13网格（每个网格预测5个锚框）。
• mAP提升：从YOLOv1的63.4%提升到78.6%（VOC 2007）。

局限

• 多尺度目标仍依赖锚框：预定义锚框可能不匹配特定场景。
• 特征融合较简单：小目标检测仍有提升空间。

---

3. YOLOv3（2018）：多尺度预测与深度网络

核心改进

• 网络结构升级：
  使用Darknet-53（53层卷积，含残差连接），平衡深度与速度。
• 多尺度预测（FPN思想）：
  在3个不同尺度的特征图上预测（13x13, 26x26, 52x52），分别负责大、中、小目标。
• 关键技术突破：
  1. 特征金字塔网络（FPN）：通过上采样融合不同层特征，增强多尺度检测能力。
  2. 更丰富的锚框：每个尺度预测3种锚框（共9种尺寸），覆盖更多目标形状。
  3. 改进的损失函数：
     使用二元交叉熵（代替Softmax）支持多标签分类（如“人”和“女人”可同时存在）。
  4. 更深的网络：Darknet-53的残差结构缓解梯度消失，提升特征提取能力。

输出与性能

• 输入：416x416 → 输出3个尺度（13x13, 26x26, 52x52）。
• mAP提升：在COCO数据集上达到33.0% mAP，速度保持30 FPS（Titan X GPU）。

优点与局限

• 优点：
  • 显著改善小目标检测（多尺度预测）。
  • 支持更复杂的场景（如密集人群）。
• 缺点：
  • 计算量增加（需权衡速度与精度）。
  • 对极端尺度目标（如极大或极小物体）仍有挑战。

---

对比总结：YOLOv1 vs v2 vs v3

特性	YOLOv1	YOLOv2	YOLOv3
核心改进	单阶段全局回归	锚框、多尺度训练	多尺度预测、Darknet-53
网络结构	24层卷积 + 全连接层	Darknet-19（全卷积）	Darknet-53（残差结构）
锚框	无	5种预定义锚框	9种锚框 + 多尺度预测
输入分辨率	448x448	416x416（多尺度训练）	416x416（多尺度预测）
特征融合	无	浅层与深层特征拼接	多尺度特征金字塔（FPN）
主要优势	速度快，简单	精度显著提升，保留速度	多尺度检测，复杂场景适应性强
典型问题	小目标漏检，定位粗糙	锚框依赖预定义尺寸	计算量增加，极端目标检测不足

---

演进逻辑解析

1. 从直接回归到锚框：
   YOLOv1直接预测坐标，灵活性差；v2引入锚框，通过偏移量预测提升定位精度。
2. 从单尺度到多尺度：
   v1的单一网格无法处理多尺度目标；v2通过多尺度训练增强鲁棒性；v3通过FPN实现真正的多尺度预测。
3. 从浅层网络到深层网络：
   Darknet-19到Darknet-53的演进，结合残差连接，平衡了深度与计算效率。
4. 从分类到多标签：
   v3使用二元交叉熵，支持同一目标多标签分类（如“车”和“出租车”），更贴近现实场景。

总结

• YOLOv1：开创单阶段检测范式，奠定基础但精度受限。
• YOLOv2：通过锚框和网络优化，实现速度与精度的平衡。
• YOLOv3：引入多尺度预测和深度残差网络，显著提升复杂场景检测能力。