一、YOLOv1概述

在YOLOv1提出之前，R-CNN系列算法在目标检测领域中独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。为了打破这一僵局，涉及一种速度更快的目标检测器是大势所趋。

2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once（也就是我们常说的YOLO的全称），并将该成果发表在了CVPR2016上，从而引起了广泛地关注。

YOLOv1 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box 的位置和 bounding box 所属的类别。简单来说，只看一次就知道图中物体的类别和位置。
 

二、 预备知识补充

Bounding Boxes（边界框）

在计算机视觉、图像处理等领域，bounding boxes（边界框） 是一种用于定位和标记图像或视频中目标对象的矩形框。它通过坐标信息来定义目标在画面中的位置和范围，是目标检测、目标跟踪等任务的基础工具。

边界框的评估指标

为衡量边界框预测的准确性（如模型预测框与人工标注的真实框的匹配程度），常用交并比（IoU, Intersection over Union）：

• 计算公式：IoU = （预测框与真实框的交集面积） / （预测框与真实框的并集面积）
• 取值范围：0~1，越接近 1 表示预测越准确。
• 实际应用中，通常设定 IoU 阈值（如 0.5），超过阈值则认为检测有效。

NMS非极大值抑制

NMS的主要目的是解决目标检测过程中出现的重复检测问题。在目标检测任务中，算法可能会预测出多个重叠或相似的边界框（bounding boxes），这些边界框可能指向同一个目标。NMS通过筛选局部极大值，找到最优的边界框，并抑制其他冗余的边界框。

 

 三、模型结构及关键问题

• 那理解YOLO这个算法，最重要的就是理解这个7*7*30的tensor。这里面的一个难点就是很多人，他会把这个tensor在训练阶段和推理阶段的用法混为一谈，所以导致大家不能够真实地理解YOLO这个算法的工作原理。因此我们在学习YOLO的时候，最重要的就是理解这个7*7*30的tensor在训练阶段和推理阶段分别起着什么样的作用。
• 首先是在训练阶段，我们要理解的核心问题是这个7*7*30的tensor作为网络的输出，此时这个输出的目的是通过和输入图像的标签建立联系，也就是通过损失函数计算损失，来优化网络的权重，从而使得预测能够更加接近真实的标签。
• 而在推理阶段，我们要关注的重点是这个7*7*30的tensor是如何表示输出的边界框和类别的。因为在推理阶段，我们希望网络的输出就是一个一个效果很好的边界框，同时这个边界框带有框内物体的类别信息。

1.  将一幅图像分成 SxS 个网格（grid cell），YOLOv1这个算法是7，也就是我们会分成7乘7的网格。如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。一个格子只能预测一个物体，会生成两个预测框。
2. 每个网格有固定的 B 个 bounding box是因为在训练的时候会在线地计算每个 predictor 预测的 bounding box 和 ground truth 的 IOU，计算出来的 IOU 大的那个 predictor，就会负责预测这个物体，另外一个则不预测。这么做有什么好处？我的理解是，这样做的话，实际上有两个 predictor 来一起进行预测，然后网络会在线选择预测得好的那个 predictor（也就是 IOU 大）来进行预测。
3.  每个网格要预测 B 个bounding box（B一般取2），每个 bounding box 除了要回归自身的位置之外，还要附带预测一个 confidence 值。每个 bounding box 共 5 个参数 ( x , y , w , h , c ) 。

• 使用 ( x , y )表示 bounding box 中心相对于方格左上角的偏移量，范围为 [0,1]（x，y是物体的中心点相对于网络的坐标）。
• 使用 ( w , h )  表示 bounding box 的宽和高，该值是相对于图像宽高的比，范围为 [0,1]（w和h是物体的边界框的宽度和高度）。

 

• confidence 代表了所预测的 box 中含有 object 的置信度（有则为 1，没有则为 0）和这个 box 预测的有多准两重信息，其值是这样计算的：

 

• 该表达式含义：如果有 object 的中心落在一个 grid cell（网格） 里，则第一项取 1，否则取 0。 第二项是预测的预测框（predict box）与真实标签框（ground truth）之间的交并比（IOU）值（详情请看预备知识补充）。

四、算法流程

 整个 YOLO 检测系统如下图所示：

• 假设网络实现的预测类别数为 C 个。论文中使用 PASCAL VOC 数据集，C=20，即实现 20 类别物品的目标检测。
• 输入图像首先被 resize 到指定尺寸。论文中将输入图像统一调整到 448 × 448 ，即网络输入：448 × 448 × 3 。
• 对图像进行划分，共划分 S × S个方格。论文中 S=7, 即共划分 7 × 7 = 49  个方格，每个方格包含 64 × 64个像素点。
• 针对每个方格：生成 C 个类别目标的概率分数（表示该方格是否存在该目标的概率），用 p 表示；生成 B 个检测框，每个检测框共 5 个参数，即 ( x , y , w , h , c )。
• 每个方格输出向量如下图所示。因此针对每个方格，共有参数量为(C+B×5) 个。本论文中，即 ( 20 + 2 × 5 ) = 30个。
  

 

• 针对一张图片，最终输出向量：S × S × ( C + B × 5 )。本论文中即 7 × 7 × 30 = 1470。
• 对输出向量进行后处理，得到最终预测结果。

•  输入图像：448×448 的图像经卷积神经网络（CNN）处理，得到 7×7×30 的输出。
• 训练阶段：
  • 每个grid cell（网格）生成两个bounding boxes（边界框），一共98 个bounding boxes（边界框）（7×7×2 ）。
  • 真实标签中心落在一个grid cell（网格）内，且该网格单元就负责拟合边界框。意思就是此网格通过前向传播生成的两个边界框中，我们选择与真实值IoU（交并比）最大的那个边界框，然后通过计算预测的边界框和真实值之间的损失，通过反向传播来修正网络的参数。
  • 如果一个网格单元不包含目标中心，则将其视为背景，仅对置信度损失产生影响 。

 

• 推理阶段：
  • 预测 98 个边界框（7×7×2 ）。
  • 应用非极大值抑制（NMS），基于交并比（IoU）阈值去除冗余边界框。
  • 应用 NMS 后，依据最高类别得分选择最终边界框 。

 

五、损失函数 

1. 损失即计算网络输出值（或预测值）与标签值差异的程度。举例说明，如上图的包含狗狗的方格，对应的标签值与预测值形式如下：

2. YOLOv1 中损失函数共包含三项，即：(1) 坐标预测损失、(2) 置信度预测损失、(3) 类别预测损失。三个损失函数都使用了均方误差。计算公式如下所示：

• 使用的是差方和误差。需要注意的是，w和h在进行误差计算的时候取得是它们的平方根，原因是对不同大小的bounding box预测中，大框和小框的 bounding box 和 ground truth 都是差了一点，但对于实际预测来讲，大框（大目标）差的这一点也许没啥事儿，而小框（小目标）差的这一点可能就会导致bounding box的方框和目标差了很远。而如果还是使用第一项那样直接算平方和误差，就相当于把大框和小框一视同仁了，这样显然不合理。而如果使用开根号处理，就会一定程度上改善这一问题 。

（此图取至冒冒菜菜，看完后举播有种醍醐灌顶的感觉）

• 定位误差比分类误差更大，所以增加对定位误差的惩罚，使。
• 在每个图像中，许多网格单元不包含任何目标值。训练时就会把这些网格里的框的“置信度”分数推到零，这往往超过了包含目标的框的梯度。从而可能导致模型不稳定，训练早期发散。因此要减少了不包含目标的框的置信度预测的损失，使。

六、总结 

 YOLOv1 开创性地将目标检测重构为单阶段回归问题（7×7 网格 + 30 维张量输出），以 45 FPS 的实时速度颠覆传统两阶段检测（速度快），其全局推理显著降低背景误检；然而，网格空间约束（每格仅 2 框 1 类别）导致小物体漏检率高（不太适用于小物体），直接回归机制与低分辨率特征（7×7）造成定位偏差，且末端全连接层（超 4000 万参数）严重限制泛化性——这些缺陷为后续 YOLO 系列的进化指明方向，奠定了实时检测的基石。

b站上我觉得这个视频对7×7 网格 + 30 维张量输出的作用讲的较为清楚，大家可以去看看。

【全网最清楚的YOLO V1原理讲解，打牢YOLO目标检测算法基础！】https://www.bilibili.com/video/BV1gKwAeWEo4?p=6&vd_source=e114821e9fc8f0ea2830325b9b282d22