目錄

YOLO v1 算法詳解?

?1. 核心思想?

?2. 算法優勢?

?3. 網絡結構（Unified Detection）??

?4. 關鍵創新?

?5. 結構示意圖（Fig1）?

Confidence Score 的計算?

類別概率與 Bounding Box 的關系?

后處理：非極大值抑制（NMS）??

網絡結構實現細節?

輸出張量示例（7×7×30）??

---

深入解析YOLO v1：實時目標檢測的開山之作??

YOLO（You Only Look Once）是目標檢測領域的里程碑式算法，由Joseph Redmon等人在2016年CVPR會議上提出。作為第一個將目標檢測任務轉化為單階段（one-stage）回歸問題的算法，YOLO v1以其驚人的速度和簡潔的網絡結構迅速成為研究熱點。本文將全面剖析YOLO v1的核心思想、實現細節及技術優勢，并對比同期算法（如Faster R-CNN）的差異。

論文名稱：You only look once unified real-time object detection
論文鏈接

YOLO v1 算法詳解?

?1. 核心思想?

YOLO（You Only Look Once）將物體檢測（object detection）任務視為一個端到端的回歸問題，通過單個卷積神經網絡（CNN）直接從輸入圖像預測目標邊界框（bounding box）和類別概率。

?2. 算法優勢?

YOLO v1 的主要優勢包括：

1. ?速度快?：在 Titan X GPU 上達到 ?45 FPS，快速版（Fast YOLO）可達 ?150 FPS，適合實時檢測。
2. ?全局推理?：基于整張圖像進行預測（而非滑動窗口或候選區域），減少背景誤檢（false positives），比 Fast R-CNN 的誤檢率低一半以上。
3. ?泛化能力強?：學習到的特征更具通用性，在遷移到新領域時表現較好。
4. ?高準確率?：在 VOC 2007 數據集上 mAP 達 63.4%，兼顧速度和精度。

?3. 網絡結構（Unified Detection）??

YOLO v1 采用 ?24 層卷積網絡 + 2 層全連接層，結構特點如下：

• ?輸入?：448×448 圖像（通過下采樣適應網絡）。
• ?輸出?：S×S×(B×5 + C)?的張量，其中：
  • S×S?表示網格劃分（默認?7×7）。
  • B?是每個網格預測的邊界框數量（默認?2）。
  • 5?包含邊界框的坐標（x, y, w, h）和置信度（confidence）。
  • C?是類別概率（如 VOC 數據集的 20 類）。

?4. 關鍵創新?

• ?網格化預測?：圖像被劃分為?S×S?網格，每個網格負責預測中心落在該區域的目標。
• ?多任務損失函數?：聯合優化邊界框坐標、置信度和分類概率，損失函數設計如下：
  • 坐標誤差（加權）
  • 置信度誤差（區分有無目標）
  • 分類誤差（交叉熵）

?5. 結構示意圖（Fig1）?

?

Confidence Score 的計算?

每個 bounding box 對應一個 ?confidence score，用于衡量該框內是否包含物體以及預測框的準確性：

• ?公式?：

• • 如果 grid cell 中沒有物體?（背景），則 confidence = 0。
  • 如果 grid cell 中有物體，confidence = 預測框與真實框的 ?IOU（交并比）?。

?如何判斷 grid cell 是否包含物體？??

• 規則：若某物體的 ground truth 邊界框的中心點坐標落在某個 grid cell 內，則該 grid cell 負責預測該物體。

類別概率與 Bounding Box 的關系?

• ?類別概率（Class Probability）??：

  • 每個 grid cell 預測 ?C 個類別概率?（如 VOC 數據集的 20 類），表示該 grid cell 包含物體時屬于各類別的概率。
  • ?注意?：類別概率是針對 grid cell? 的，而非單個 bounding box。

• ?Bounding Box 的最終分類得分?：

  • 將每個 bounding box 的 confidence 與 grid cell 的類別概率相乘，得到該 box 屬于某類別的置信度得分：

• • ?輸出矩陣?：
    • 形狀為?20×(7×7×2) = 20×98（20 類，98 個 bounding box）。

---

后處理：非極大值抑制（NMS）??

1. ?閾值過濾?：
   • 對每一類別（矩陣的每一行），將得分 < 0.2 的 bounding box 置 0。
2. ?排序與去重?：
   • 按得分從高到低排序，選擇最高得分的 box，計算其與其余 box 的 IOU：
     • 若 IOU > 0.5（重疊過高），則抑制（得分置 0）。
     • 否則保留。
   • 重復上述過程，直到所有 box 被處理。
3. ?最終分類?：
   • 對每個 bounding box，取 20 個類別得分中的最大值：
     • 若最大值 > 0，則判定為對應類別；
     • 若最大值 = 0，判定為背景（忽略）。

---

網絡結構實現細節?

• ?Backbone?：基于 ?GoogLeNet? 改進的卷積網絡（24 層卷積 + 4 層 Inception 模塊）。
• ?輸出層?：
  • 全連接層輸出?7×7×30?的張量，其中：
    • 7×7：grid cell 數量。
    • 30：包含 2 個 bounding box 的坐標（x,y,w,h）和 confidence，以及 20 個類別概率。
• ?關鍵改動?：
  • 替換 GoogLeNet 的復雜 Inception 模塊為簡單的?1×1?和?3×3?卷積組合，提升速度。
  • 最后一層全連接層直接回歸邊界框和類別（端到端訓練）。

---

輸出張量示例（7×7×30）??

分量	維度	說明
Bounding Box 1	5 (x,y,w,h,conf)	第一個預測框的坐標和置信度
Bounding Box 2	5 (x,y,w,h,conf)	第二個預測框的坐標和置信度
Class Probabilities	20	20 個類別的條件概率（P(class|obj)）

?