YOLO V1 推理阶段与非极大值抑制 (NMS)

关注

原创 2026-06-16 12:02:29 187 阅读 AI 写同款· GEO 优化 ›

【YOLO 模型进阶】（2）YOLO v1 超详解：从网络架构到优缺点剖析整体损失 = 位置误差 + 置信度误差 + 类别误差通过权重 λ_coord=5、λ_noobj=0.5 的设计，YOLO v1 优先保证 “位置精度” 和 “有目标网格的置信度精度”，同时避免无目标网格的误差干扰训练。速度极快：标准版本（24 层卷积）每秒可处理 45 帧图像（45 FPS），精简版（9 层卷积）甚至可达 150 FPS，完全满足视频实时检测需求（通常要求≥30 FPS）；假阳性率低。阅读详情

一、总体概述

YOLO V1 的推理阶段 (Inference Phase) 和 非极大值抑制 (Non-Maximum Suppression, NMS) 算法，以及解决核心问题：如何从 7×7×30 的输出中获得最终的边界框和类别概率。

二、主要内容分段总结

1. 推理阶段 - 置信度分数计算 (Inference Phase)

核心公式

在推理时，YOLO 将条件类别概率与各边界框的置信度预测相乘：

Pr(Classᵢ | Object) × Pr(Object) × IOU_pred^truth
= Pr(Classᵢ) × IOU_pred^truth

公式含义

组件	含义	说明
Pr(Classᵢ \| Object)	条件类别概率	给定存在目标的前提下，属于第 i 类的概率
Pr(Object)	目标存在概率	该边界框是否包含目标
IOU_pred^truth	交并比	预测框与真实框的重叠程度

结果解读: 这个乘积给出了每个边界框的类别特定置信度分数，同时编码了：

该类别出现在框中的概率
预测框与目标的拟合程度

推理流程可视化

视频通过四幅图展示了完整的推理流程：

阶段	图示	说明
1. 边界框置信度	密集黑色边界框覆盖图像	网格中每个单元的边界框预测
2. 类别概率图	7×7 彩色网格	空间类别概率分布
3. 原始检测结果	多色密集重叠边界框	NMS 前的候选检测
4. 最终输出	干净的标注边界框	NMS 后的最终检测结果

2. 预测张量结构回顾

每个网格单元的输出向量 (30维)

| Box1 (5维) | Box2 (5维) | Class Probabilities (20维) |

Box1: (x, y, w, h, confidence) — 第一个边界框
Box2: (x, y, w, h, confidence) — 第二个边界框
Class Probabilities: 20个类别的条件概率 (PASCAL VOC)

总输出: 7×7 网格 × 30维 = 49个网格单元，每个预测 2个边界框，共 98个边界框

3. 非极大值抑制 (NMS) 详解 (约2:00 - 8:12)

为什么需要 NMS？

YOLO V1 的 7×7 网格产生 98个边界框预测 (49个网格 × 2个框/网格)。多个网格单元可能对同一个目标产生重叠的边界框预测，需要 NMS 来去除冗余检测。

NMS 算法步骤

视频通过具体的"Dog"类别示例，详细展示了 NMS 的完整过程：

步骤1: 置信度阈值过滤

对于每个类别（如 Dog）:
  - 提取所有98个边界框的类别特定置信度分数
  - 将分数 < 阈值（如 0.2）的边界框分数设为 0
  - 按分数降序排序

示例:

边界框	原始分数	阈值过滤后
bb7	0.5	0.5 (保留)
bb46	0.3	0.3 (保留)
bb40	0.2	0.2 (保留)
bb23	0.1	0 (过滤)
bb84	0.05	0 (过滤)

步骤2: 迭代式 NMS 抑制

1. 选取分数最高的边界框作为 bbox_max（如 bb7, 分数 0.5）
2. 遍历其余边界框 bbox_cur:
   - 计算 IoU(bbox_max, bbox_cur)
   - 如果 IoU > 0.5，则将 bbox_cur 的分数设为 0
3. 选取下一个分数最高的边界框，重复步骤2
4. 直到所有边界框处理完毕

具体示例 (Dog 类别):

迭代	bbox_max	bbox_cur	IoU	操作	结果
第1轮	bb7 (0.5)	bb46 (0.3)	> 0.5	抑制	bb46 → 0
第1轮	bb7 (0.5)	bb40 (0.2)	> 0.5	抑制	bb40 → 0
第2轮	(下一个非零框)	…	…	…	…

可视化说明:

红色边界框 (bb7): 分数最高 (0.5)，紧密贴合狗 → 保留
黄色边界框 (bb46): 分数较低 (0.3)，与 bb7 重叠度高 → 抑制
蓝色边界框 (bb40): 分数更低 (0.2)，也与 bb7 重叠 → 抑制

步骤3: 最终结果

经过 NMS 后，对于"Dog"类别，可能只保留一个最高置信度的边界框。对于整幅图像中的所有类别分别执行 NMS 后，最终得到干净的检测结果。

NMS 对每个类别独立执行:

Dog 类别 → 保留最佳狗的检测框
Bicycle 类别 → 保留最佳自行车的检测框
Person 类别 → 保留最佳人的检测框
…

三、NMS 关键参数

参数	值	说明
置信度阈值 (thresh1)	0.2	低于此分数的边界框被直接过滤
IoU 阈值 (thresh2)	0.5	重叠度超过此值的边界框被抑制
总边界框数	98	7×7 网格 × 2 个框/网格
类别数	20	PASCAL VOC 数据集