目标识别 YOLO 学习笔记（一）

关注

原创最新推荐文章于 2026-03-31 03:05:59 发布 3.2k 阅读 AI 写同款· GEO 优化 ›

目标检测中的解耦和耦合、anchor-free和anchor-base 耦合头适合轻量化模型和计算资源有限的情况，追求更高的效率。解耦头适合更复杂的目标检测任务，追求更高的精度。阅读详情

文章源于我的个人博客，地址：目标识别 YOLO 学习笔记（一），尊重原创，转载请注明。

这个笔记，主要是学习 YOLO 入门教程《How to implement a YOLO (v3) object detector from scratch in PyTorch》的笔记，其中包含自己学习过程中遇到的不懂之处的记录，其中一些英文单词并没有翻译，考虑到因为语言的差异，中文很难表达地很形象。与大家分享，以交流共勉。

笔记也会分为5个部分，层层递进，使用 PyTorch实现 YOLO (v3)。完整的内容可参考原教程，在这里对教程的作者表示感谢。

基本YOLO知识

YOLO 全称为 You Only Look Once.

YOLO 是全卷积网络，一共有75个卷积层，其中包含 skip connections 和 unsampling 层。没有使用任何池化层，使用步长为2的卷积层对特征图进行下采样（downsample），这就避免了由于池化所带来的低阶特征消失的问题。

虽然全卷积网络对图像的输入大小并不敏感，但我们仍希望输入图像的大小是固定了，以免在实现算法的过程中出现各种问题。

这些问题中最重要的一点是，如果我们想要批量处理图像（批量生成的图像可以由GPU并行处理，从而提高速度），我们需要拥有固定高度和宽度的图像。这需要将多个图像连接成一个大批量（将许多PyTorch张量连接成一个）

输出

在YOLO中，通过使用使用1×1卷积的卷积层来完成预测。

所以，在YOLO中，输出是一个feature map。由于我们使用了1 x 1个卷积，因此预测map的大小正好是之前的feature map的大小。在YOLO v3（及其后代）中，您解释此预测图的方式是每个单元格可以预测固定数量的边界框。

深度方面，我们在特征图中有$B \times (5 + C)) $个条目，其中B 代表每个cell 可以预测的边界框（bounding box）的数量，根据论文研究，每个边界框可以专门检测某种对象。每个边界框有 $(5 + C)$ 个属性，描述了每个边界框的中心坐标，尺寸，对象度分数和C类置信度（confidence）。YOLO v3 在每个cell中预测三个边界框。

如果对象的中心落在该cell 的感知区域中，您希望feature map的每个cell 通过其中一个边界框预测对象。

与YOLO的训练方式有关的是，只有一个边界框（bounding box）负责检测任何给定的对象，即我们要确定这个边界框属于哪个 cell。为此，我们将输入图像划分为尺寸等于最终feature map的网格。

举例来说，我们有一个 416×416 的输入图像，网络的stride 为 32，那么我们就将图像划为 13×13 个网格，即将输入图像切割为 13×13 个 cell。

然后，选择包含对象的ground truth box的中心的单元（在输入图像上）作为负责预测对象的单元。在该例子中，红色的cell 就是包含 ground truth box （黄色框）中心的cell。

现在，红色单元格是网格中第7行第7列的单元格。我们现在将特征图上的第7行中的第7个单元（特征图上的相应单元）指定为负责检测狗的单元。

现在，这个 cell 可以预测3个 bounding box（YOLO v3 中每个cell预测3个bounding box），那么哪一个将作为狗的 ground truth label呢？

在这里插入图片描述

Anchor Boxes

预测bounding box的宽度和高度可能是有意义的，但实际上，这会导致训练期间出现不稳定的梯度。相反，大多数现代 object detectors 预测对数空间变换（log-space transforms），或简单地偏移到预定义的称为**锚（anchor）**的default bounding box。

然后，将这些reansforms 应用于 anchor 以获得预测。 YOLO v3有三个anchor，可以预测每个单元格的三个边界框

回到我们之前的问题，负责检测狗的bounding box将是其 anchor 具有最高IoU和ground truth box的那个。

做出预测 Marking Predictions

下面的公式给出了如何由神经网络的输出经过转换，获得 bounding box 的预测。
$b_x = \sigma (t_x) + c_x \\ b_y = \sigma (t_y) + c_y \\ b_w = p_w e^{t_w} \\ b_h = p_h e^{t_h}$
这里的 $b_x, b_y, b_w, b_h$ 分别是预测的中心坐标，宽度和高度； $t_x, t_y, t_w, t_h$ 是神经网络的输出； $c_x, c_y$ 是ground truth box 中的中心所在网格（grid）的左上角坐标； $p_w, p_h$ 是 box 的 anchor 尺寸。 $\sigma$ 代表 sigmoid 函数

中心坐标 Center Coordinas

我们使用 sigmoid 函数来寻找我们的中心坐标的预测，这样的输出值范围为 0~1，我们为什么这么做呢？

通常，YOLO不会预测 bounding box中心的绝对坐标，它预测的是偏移量：

相对于预测对象的grid cell 的左上角。
由feature map中的cell尺寸标准化。

例如，考虑上面的狗的图像，如果对中心的预测是（0.4, 0.7），那么这意味着中心位于13 x 13特征图上的（6.4,6.7）。（因为红色 cell 的左上角坐标是（6,6））

但是，如果预测的x，y坐标大于1，会发生什么呢？比如（1.2, 0.7），这意味着中心位于（7.2, 6.7）。请注意，中心现在位于我们的红色 cell 右侧的cell中，或者位于第7行的第8个cell中。这打破了YOLO背后的理论，因为如果我们假设红色框负责预测狗，那么狗的中心必须位于红色单元格中，而不是位于旁边的单元格中。因此，为了解决这个问题，输出通过sigmoid函数，该函数将输出压缩在0到1的范围内，有效地将中心保持在预测的网格中。

Dimension of Bounding Box

通过对输出应用对数空间变换（log-space transform），然后乘以anchor 来预测边界框的尺寸。

预测得到的 $b_w, b_h$ 是经过图像的高度和宽度标准化的，因此，如果包含狗的bounding box 的预测bx和by是（0.3, 0.8），那么13 x 13特征图上的实际宽度和高度是（13 x 0.3,13 x 0.8）。

Objectness Score

object score 表示对象包含在边界框内的概率。对于红色和相邻的网格，它应该接近1，而对于角落处的网格，几乎为0。对象性得分也通过sigmoid传递，因为它被解释为概率。

Class Confidences

Class confidences （置信度）表示检测到的对象属于特定类（狗，猫，香蕉，汽车等）的概率。在v3之前，YOLO使用 softmax的class score，但是，该设计选择已在v3中删除，作者选择使用sigmoid。原因是Softmaxing类得分假设类是互斥的。简单来说，如果一个对象属于一个类，那么它就保证它不属于另一个类。这对于我们将以检测器为基础的COCO数据库来说是正确的。但是，当我们有像女人和人一样的课程时，这种假设可能不会成立。这就是作者避免使用Softmax 的原因。

Prediction across different scales.

YOLO v3通过3种不同的尺度进行预测。检测层用于在三种不同尺寸的特征图上进行检测，分别具有步幅32,16,8。这意味着，在输入为416 x 416的情况下，我们在13 x 13,26 x 26和52 x 52尺寸上进行检测。

网络对输入图像进行下采样，直到第一个检测层为止，其中使用具有步幅32的layer的feature maps 进行检测。此外，对层进行2倍上采样，并与具有相同feature map尺寸的先前层的feature map连接。在具有步幅16的层处进行另一检测。重复相同的上采样过程，并且在步幅8的层处进行最终检测。在每个比例下，每个单元使用3个anchor来预测3个bounding box，使得使用的 anthor总数为9.（不同尺度的anchor不同）

Output Processing

对于一个输入为 416×416 的图像，YOLO检测到 $52 \times 52 + 26 \times 26 + 13 \times 13) \times 3 = 10647$ 个 bounding box，但是对于我们的例子，图像中只有一个需要检测的对象，那么如何从 10467 得到 1 呢？

Thresholding by Object Confidence

通过对象置信度进行阈值处理。

首先，我们根据 objectness score 过滤boxes，通常，忽略具有低于阈值分数的box。

Non-maximum Suppression

NMS旨在解决同一图像的多次检测问题，这时可以使用 NMS 算法获取其中最好的一个 box。

新名词学习

Receptive field

1. 是什么

中文可以译为 “感受野”。（个人感觉译过来并不好，直接使用英文就好）

The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at.

在卷积神经网络中，receptive map 的定义是：卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。

在机器视觉领域的深度神经网络中的 receptive field，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。

所以，总结来看，receptive field 就是输入图像对某一层输出神经元的影响有多大。

2. Receptive Field 计算公式

从第一层卷积层，层层迭代，计算RF
$RF_{N} = (RF_{N-1} - 1) * stride + kernel$
其中 $RF_{N-1}$ 表示第（N-1）层神经网络的 RF， $RF_N$ 表示第 N 层的RF，stride 表示由 (N-1) 层到 (N) 层的卷积步长，kernel表示卷积核大小。

注意：卷积神经网络的第一个卷积层的 RF 就是卷积核大小，因为它的一个像素点，代表了上一层的 kernel 个像素点的特征，这就是RF 的含义。

3. 举例

举一个例子，原始图像为 $\times 5$ ，卷积核（Kernel Size）为 $\times 3$ ，padding 为 $\ times 1$ ，stride为 $\times 2$ ，依照此卷积规则，连续做两次卷积，则第一次卷积结果是 $\times 3$ 的feature map，第二次卷积结果是 $\times 2$ 大小的feature map。

则第一层卷积结束后，RF 为 $\times 3$ ；第二层卷积结束后，RF 大小为 $(3 - 1) * 2 + 3 = 7 $

4. 检验RF

下面这个网站提供了 RF 的一键计算功能。

FOMORO AI

三个高级工程师搞的网站，可以简单的输入网络参数，就直接把你的感受野计算出来。界面如下。

IoU (Intersection over Union)

IoU 用来表征在目标检测中，预测的 bounding box 和 ground truth 的bounding box 的重合程度。

待学习的知识

skip connections是什么
上采样和下采样（unsample， downsample）是什么
- 空间池化（spatial Pooling），也称为子采样（subsampling）或下采样（downsampling），其减少了每一个特征映射的维度，但是保留了最重要的信息。
bounding box regression是什么