系列文章目錄

task01 導學課程
task02 YOLO系列發展線

---

---

前言

• Datawhale是一個專注于AI與數據科學的開源組織，匯集了眾多領域院校和知名企業的優秀學習者，聚合了一群有開源精神和探索精神的團隊成員
• YOLO-Master
• 本章學習資料

---

1 功能分塊

1.1 骨干網絡 Backbone

• 它的任務是把一張圖片的關鍵信息濃縮出來，比如形狀、紋理、顏色等特征，就像把水果榨成汁一樣，保留精華，去掉多余水分（無關背景）。

1.2 頸部網絡 Neck

1.3 頭部網絡 Head

1.3.1 邊界框回歸頭

1.3.2 分類頭

---

2 關鍵概念

---

3 典型算法

3.1 NMS

3.2 IoU

IoU（Intersection over Union）：衡量兩個邊界框（Bounding Box）之間重疊程度和匹配度，常用于目標檢測任務中評估預測框 Predicted Box與真實框 Ground Truth Box的匹配度。相比于 Jaccard Index

• 其值范圍在$$[0,1]$$，1 表示完全重疊，0 表示無重疊。

• 數學定義：

$$\mathrm{IoU}=\frac{交集面積}{并集面積}$$

• 即：

$$\text{IoU}=\frac{A_{\text{inter}}}{A_{\text{union}}}=\frac{A_{\text{inter}}}{A_{\text{box1}}+A_{\text{box2}}?A_{\text{inter}}}$$

• 計算步驟：

1. 交集坐標
   • 左上角：取兩框左上坐標的較大值
   • 右下角：取兩框右下坐標的較小值
   • 若右下坐標 < 左上坐標，則交集面積為 0

$$x_{\text{LeftTop}}=\max (x_1^a,x_1^b),y_{\text{LeftTop}}=\min (y_1^a,y_1^b)$$
$$x_{\text{RightBottom}}=\min (x_2^a,x_2^b),y_{\text{RightBottom}}=\max (y_2^a,y_2^b)$$

2. 面積計算

   • 交集面積 = $$\max (0,x_{\text{RightBottom}}?x_{\text{LeftTop}})\times \max (0,y_{\text{RightBottom}}?y_{\text{LeftTop}})$$
   • 并集面積 = 框1面積 + 框2面積 - 交集面積

• 代碼實踐

import matplotlib.pyplot as plt
import matplotlib.patches as pts# 現在定義一個函數，接收兩個參數，都是兩個點坐標，以數組的形式
def calculate_iou(box1, box2):"""計算兩個邊界框之間的 IoU (Intersection over Union)參數:box1: 第一個邊界框，格式為 [x1, y1, x2, y2]box2: 第二個邊界框，格式為 [x1, y1, x2, y2]返回:iou: 兩個邊界框之間的 IoU 值"""# 解析邊界框坐標x1_box1, y1_box1, x2_box1, y2_box1 = box1x1_box2, y1_box2, x2_box2, y2_box2 = box2# 確保坐標的有效性assert x1_box1 < x2_box1, f"無效的 box1 x坐標: {x1_box1} >= {x2_box1}"assert y1_box1 < y2_box1, f"無效的 box1 y坐標: {y1_box1} >= {y2_box1}"assert x1_box2 < x2_box2, f"無效的 box2 x坐標: {x1_box2} >= {x2_box2}"assert y1_box2 < y2_box2, f"無效的 box2 y坐標: {y1_box2} >= {y2_box2}"# 計算交集區域的坐標x_left = max(x1_box1, x1_box2)y_top = max(y1_box1, y1_box2)x_right = min(x2_box1, x2_box2)y_bottom = min(y2_box1, y2_box2)# 檢查是否有交集if x_right < x_left or y_bottom < y_top:return 0.0# 計算交集區域面積intersection_area = (x_right - x_left) * (y_bottom - y_top)# 計算兩個邊界框各自的面積area_box1 = (x2_box1 - x1_box1) * (y2_box1 - y1_box1)area_box2 = (x2_box2 - x1_box2) * (y2_box2 - y1_box2)# 計算并集區域面積union_area = area_box1 + area_box2 - intersection_area# 計算IOU，并避免除零錯誤if union_area == 0:iou = 0else:iou = intersection_area / union_areareturn iou# 定義一個函數，根據坐標畫出兩個框
def plot_boxes(box1, box2):fig, ax = plt.subplots()# 繪制第一個框rect1 = pts.Rectangle((box1[0], box1[1]), box1[2]-box1[0], box1[3]-box1[1], linewidth=1, edgecolor='r', facecolor='none')ax.add_patch(rect1)# 繪制第二個框rect2 = pts.Rectangle((box2[0], box2[1]), box2[2]-box2[0], box2[3]-box2[1], linewidth=1, edgecolor='b', facecolor='none')ax.add_patch(rect2)# 設置坐標軸范圍ax.set_xlim(0, 100)ax.set_ylim(0, 100)# 顯示圖像plt.show()# 測試用例
if __name__ == "__main__":# # 測試1: 完全重疊box_a = [10, 10, 50, 50]# box_b = [10, 10, 50, 50]# iou = calculate_iou(box_a, box_b)# print(f"測試1 (完全重疊): IoU = {iou:.2f} (預期: 1.00)")# 測試2: 部分重疊box_c = [20, 20, 60, 60]iou = calculate_iou(box_a, box_c)print(f"測試2 (部分重疊): IoU = {iou:.2f} (預期: 0.47)")# 繪制框plot_boxes(box_a, box_c)

• 效果圖
  

---

總結

• 分段介紹YOLO的框架和基本原理。