YOLO入门理解 · 3YOLOv1 思路与细节

入门理解 · YOLOv1 思路与细节

核心概念

• YOLOv1：第一个提出端到端单阶段目标检测的模型，将检测任务转化为回归问题。
• 网格划分 (S×S)：输入图像被划分为固定网格，每个网格负责预测落在其中心的物体。
• 候选框 (Bounding Boxes)：每个网格预测多个候选框，并通过 IoU 选择与真实框最接近的一个进行微调。
• 预测输出：每个候选框预测
  • 位置坐标 (x, y, w, h)
  • 置信度 (confidence) 表示包含物体的概率
  • 类别概率分布（分类任务）。

---

提出问题

• 如何将复杂的目标检测问题简化为端到端的回归问题？
• 如何在保证速度的同时实现较好的检测精度？
• 如何处理大量候选框带来的冗余问题？

---

论点与解决方案

• 检测简化：将检测问题转换为一个 CNN 回归任务，直接预测边界框与类别。
• 候选框筛选：每个网格生成两个候选框，通过 IoU 选择最优框，再进行偏移量回归。
• 置信度过滤：低置信度预测框被舍弃，减少无效检测。
• 后处理：通过 NMS（非极大值抑制）去除重叠度高的框，仅保留最优结果。
• 损失函数：包含三部分
  • 位置损失（xywh 与真实框差异，w/h 用平方根缩放，提升小物体敏感度）
  • 置信度损失（前景 = IoU，背景 = 0，并加权平衡前景/背景不均衡）
  • 分类损失（交叉熵或类似的多分类误差）。

---

关键机制 / 细节

• 固定输入：YOLOv1 使用 448×448×3 输入，网络中包含全连接层，因此输入大小必须固定。
• 输出结构：最终输出为 7×7×30，解释为：
  • 每个网格预测 2 个框（5 个参数 × 2 = 10）
  • 每个网格预测 20 类概率
  • 7×7×30 表示最终检测结果。
• 损失设计：
  • xy 直接回归差异
  • wh 用平方根误差，减轻大物体的主导效应
  • 前景/背景置信度分开处理，并加权降低背景的影响。
• 局限性：
  • 每个网格只能预测一个类别 → 难以检测重叠物体
  • 候选框数量少（2 个），长宽比不够丰富 → 小物体检测差
  • 精度低于 Two-Stage（Faster R-CNN），但速度快。

---

总结

• YOLOv1 开创性地提出单阶段检测框架，将目标检测转化为回归问题。
• 优势：速度快、端到端训练、适合实时应用。
• 局限：小物体检测能力弱、重叠物体处理差。
• 意义：奠定了 YOLO 系列的基础，后续 v2/v3/v4 的改进都围绕弥补 v1 的不足展开。