目标检测网络的介绍及应用（三） -- YOLO系列

本文链接：https://blog.youkuaiyun.com/LIT_Elric/article/details/100607535

本文详细介绍了YOLO（You Only Look At Once）系列目标检测算法，包括YOLO v1、YOLO v2和YOLO v3。YOLO v1因其速度快但精度略低而著名，YOLO v2通过引入多项改进提升了精度，如Batch Normalization、High Resolution Classifier、Anchor Boxes等。YOLO v3则进一步优化，采用多尺度预测和DarkNet53网络结构，提高了小目标检测的准确性。每个版本都通过损失函数优化了bbox预测、置信度和类别概率。YOLO系列算法在实时目标检测任务中表现出色，是工程应用的理想选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

三、One-stage的代表—从YOLO到SSD

3.1 YOLO系列算法

尽管之前提到的Faster-RCNN系列算法大幅提高了目标检测的速度和准确度，但是其检测速度大概是10FPS左右，离实时视频检测还有一定距离。于是在2016年CVPR会议上，RGB提出了一种全新的目标检测框架，YOLO（You Only Look At Once）算法。尽管YOLO算法的精度不及Faster-RCNN，但是其速度要远远快于Faster-RCNN，而且YOLO算法经过不断的发展，已经有三个版本的YOLO算法，YOLOv3已经基本能够达到和Faster-RCNN算法差不多精度的同时实现实时检测的任务。下面我们就来一一介绍YOLO系列算法的原理。

3.1.1 YOLO v1算法

3.1.1.1 YOLO v1算法原理

YOLOv1论文原文在这里。

作者在论文中指出，RCNN算法之所以速度较慢的原因是其将目标检测分为两部分，首先生成候选框后再对候选框分类回归得到预测框。为了改善算法的检测速度，作者抛弃掉了RCNN中Region proposal方案，YOLO模型能够直接将图像的原始像素作为输入，直接输出目标的bounding boxes和类别，没有生成候选框的步骤，也就所谓的one-stage方法。

YOLO算法首先会将图像缩放成固定大小，然后再将图像分解成 $S * S$ 的网格（论文中S=7），并且每个网格预测 $B$ 个bounding boxes和这些bounding boxes的置信度（confidence）。其中置信度表示当前bounding
box包含目标的概率，当该网格内存在object时 $\Pr\left( \text{object} \right) = 1$ ，否则为0，置信度的计算如下

$\Pr\left( \text{object} \right)*IoU_{pred}^{truth}$

除了bounding boxes的置信度外，YOLO还要求每个网格输出检测目标的类别概率 $Pr(Class_{i}|Object)$ ，这是一个条件概率，表示每个当前物体是某个类别的概率。注意这里的类别概率是针对网格的，而不是针对网格预测的bounding boxes的（虽然这样做简化了类别概率的计算，但对于检测小目标物体很不利）。其计算如下：
$\Pr\left( \text{Clas}s_{i} \middle| \text{object} \right)*Confidence}= \Pr\left( \text{Clas}s_{i} \middle| \text{object} \right)*\Pr\left( \text{object} \right)*IoU_{pred}^{truth}$
这样，对每个网格，其需要预测B个bbox值 $(x, y, w, h)$ 以及其对应的置信度和 $C$ 个对应的类别概率， $C$ 为类别的数量，也就是一副图像需要预测 $S*S*(B*\left(4 + 1 \right) + C)$ 个值，以VOC数据集为例，YOLO算法每个网格需要预测 $7*7*\left(2*5 + 20 \right) = 7*7*30$