【学习笔记】YOLO

        YOLO（You Only Look Once）是目标检测领域下的一种著名算法。

一、理解YOLO

        正如YOLO的名字一样，“你只需看一次”，YOLO就可以实时告诉你画面中所有目标的位置和类别。想要理解这种识别的优势，我们先来讨论YOLO之外的目标检测的算法。

TOOL 1：滑动窗口

        把画面分为许多格子，一个一个仔细检查过去。这种方法速度慢、效率低，相信不用解释大家也能理解。

TOOL 2：两阶段检测（如R-CNN系列）

        第一阶段：找出可能包含目标的区域；

        第二阶段：对这些区域进行分类

        这种方法精度高，但依旧速度慢、效率低，无法实时处理

我们可以发现，YOLO前的算法总是无法快速识别、实时处理，而YOLO很好的解决了这些问题。

TOOL 3：YOLO

        YOLO革命性地将目标检测转化为回归问题。

        YOLO首先将输入的图片划分为一个网格，对于每个网格单元，YOLO会预测：
1.边界框（Bounding Box）：

（x——目标中心点的x坐标，y——目标中心点的y坐标，w——目标的宽度，h——目标的高度）

2.置信度（Confidence）：模型有多确定这个框里有目标

3.类别概率（Class Probability）：如果框里有目标，那么它是什么类别

二、YOLO工作原理

整体流程

        假设我们要检测一张图片中的猫狗

1.输入处理

①将图片缩放到固定尺寸（如640*640）

②输入到卷积神经网络（CNN）

注：卷积神经网络（CNN）是一种深度学习模型，设计灵感来源于生物的视觉系统，详细解释

2.特征提取

CNN提取图片的特征（轮廓、颜色、纹理等）

3.网格划分与预测

①将特征图划分为网格（如13*13）

②每个网格预测：是否有目标、目标的边界（边界框）、目标的类别（猫、狗等）

4.后处理（NMS）

由于同一个目标可能被多个网格检测到，YOLO使用NMS（非极大值抑制）来去除重复的检测框，只保留最精准的结果

注：NMS非极大值抑制详细解释

边界框预测

YOLO预测的边界框包含四个值：

        x，y：目标中心点相对于网格单元的坐标（0~1）

        w，h：目标宽度和高度相对于整个图片的比例（0~1）

For Example：如果图片是640*640像素的，一个网格预测（x，y，w，h）=（0.5，0.3，0.2，0.15），那么目标中心在（640*0.5，640*0.3）=（320，192），目标宽640*0.2=128像素，高640*0.15=96像素

置信度计算

置信度=P（目标存在）*IOU（预测框与真实框的重叠度），置信度越高说明检测越可靠。

类别预测

对于每个网格，YOLO会预测所有类别的概率：最终类别=置信度*最大类别概率

YOLO的损失函数

YOLO通过最小化损失函数来训练模型

损失函数包含：

1.坐标损失：预测的边界框位置与真实位置的误差

2.置信度损失：有目标的网格预测置信度应该接近1，无目标的网格预测置信度应该接近0

3.类别损失：预测的类别概率与真实类别的误差

三、YOLO详细计算原理

1 前向传播计算

1.1 输入处理

假设输入图片尺寸为416*416*3（宽*高*RGB通道），图片经过卷积神经网络逐层提取特征：

输入：416×416×3
  ↓ Conv + BN + LeakyReLU
  ↓ 多次下采样（stride=2）
  ↓ ...
输出特征图：13×13×1024

卷积操作：输出 = 卷积（输入，权重） + 偏置

批量归一化：BN(x) = γ * (x - μ) / √(σ² + ε) + β

激活函数：LeakyReLU(x) = max(0.1x, x)

1.2 网格预测计算

以YOLOv3为例，使用13*13网格，每个网格预测3个锚框，每个锚框预测：

边界框：4个值（x，y，w，h）

置信度：1个值（confidence）

类别概率：c个值（c为类别数），如COCO数据集c=80

每个网格的输出维度：

输出 = 3 × (4 + 1 + 80) = 3 × 85 = 255

整个特征图的输出：

输出张量形状：13 × 13 × 255

1.3 边界框坐标计算

YOLO预测的是相对坐标，需要转换为绝对坐标

预测值：

tx, ty, tw, th：网络直接输出的原始值

坐标转换公式（YOLOv3）：

bx = σ(tx) + cx    # x坐标
by = σ(ty) + cy    # y坐标
bw = pw × e^(tw)   # 宽度
bh = ph × e^(th)   # 高度

σ(x) = 1 / (1 + e^(-x))：Sigmoid函数，将值限制在(0,1)

cx, cy：当前网格单元左上角的坐标（如网格(5,3)对应cx=5, cy=3）

pw, ph：锚框的宽度和高度（预定义的先验框尺寸）

bx, by：目标中心点相对于网格的坐标（0-1之间）

bw, bh：目标宽度和高度相对于锚框的比例

转换为图片绝对坐标：

绝对x = (bx + cx) × (图片宽度 / 网格数)
绝对y = (by + cy) × (图片高度 / 网格数)
绝对宽度 = bw × pw × (图片宽度 / 网格数)
绝对高度 = bh × ph × (图片高度 / 网格数)

1.4 置信度计算

置信度表示“这个框里有目标，且预测准确”的置信程度：

confidence = P(目标存在) × IOU(预测框, 真实框)

在推理时，网络直接输出置信度值（经过Sigmoid激活）：

confidence = σ(tconf)

其中 tconf 是网络输出的原始值

1.5 类别概率计算

对于每个类别，网络输出一个logit值，然后通过Softmax转换为概率：

类别logits: [t1, t2, ..., tC]  # C个类别的原始输出
类别概率: P(class_i) = e^(ti) / Σ(e^(tj))  # Softmax

最终类别得分：

类别得分 = confidence × P(class_i)

选择得分最高的类别作为预测结果

*1.6 Softmax和Sigmoid

在YOLOv1中，Softmax用于单标签分类的类别概率计算，特点是输出为K维概率分布（K为类别数），每个元素在0~1之间且所有元素之和必为1，单个类别的梯度会受所有类别输出的影响；

Sigmoid用于置信度的计算，特点是输出的每个元素独立且在0~1之间，没有求和约束，每个类别的梯度独立运算，不受其他类别影响，不易因类别数过多而导致梯度稀释（YOLOv3及以后，Sigmoid取代Softmax，用于多标签分类的类别概率计算）

2 损失函数计算（YOLOv1）

YOLO的损失函数由5个部分组成，以YOLOv1的损失函数为例

2.1 损失函数公式

L = λcoord × Lcoord + Lconf_obj + λnoobj × Lconf_noobj + Lclass

λcoord = 5：坐标损失权重（因为坐标预测很重要）

λnoobj = 0.5：无目标置信度损失权重（降低背景的权重）

2.2 坐标损失（Lcoord）

Lcoord = Σ[1(obj) × ((x - x̂)² + (y - ŷ)² + (√w - √ŵ)² + (√h - √ĥ)²)]

1(obj)：指示函数，如果网格有目标则为1，否则为0

x, y, w, h：真实边界框坐标

x̂, ŷ, ŵ, ĥ：预测边界框坐标

对w和h取平方根：为了让损失函数对不同尺寸目标的误差惩罚更均衡（大目标的w，h数值大，直接计算绝对误差时，小目标的相对误差容易被忽略，取平方根后大目标尺寸被“压缩”，小目标尺寸被“放大”，更符合人眼对误差的敏感度，如小目标差1个像素影响大，大目标差一个像素影响小）

2.3 有目标置信度损失（Lconf_obj）

Lconf_obj = Σ[1(obj) × (C - Ĉ)²]

C：真实置信度

Ĉ：预测置信度（Sigmoid后的值）

2.4 无目标置信度损失（Lconf_noobj）

Lconf_noobj = Σ[1(noobj) × (C - Ĉ)²]

1(noobj)：指示函数，如果网格无目标则为1

C = 0：无目标时真实置信度为0

2.5 类别损失（Lclass）

Lclass = Σ[1(obj) × Σ(p(c) - p̂(c))²]

p(c)：真实类别概率（one-hot编码，正确类别为1，其他为0）

p̂(c)：预测类别概率（Softmax后的值）

举个栗子：假设三个类别——猫，狗，鸟

• 真实类别：猫（one-hot: [1, 0, 0]）
• 预测概率：[0.7, 0.2, 0.1]

计算：Lclass = (1-0.7)² + (0-0.2)² + (0-0.1)² = 0.09 + 0.04 + 0.01 = 0.14

2.6 总损失计算

假设一个13*13的网格，其中：

• 有目标的网格：10个

• 无目标的网格：159个

简化计算（假设每个有目标网络的损失相等）

---

Lcoord = 10 × 0.001453 = 0.01453
Lconf_obj = 10 × 0.0225 = 0.225
Lconf_noobj = 159 × 0.01 = 1.59
Lclass = 10 × 0.14 = 1.4

总损失：
L = 5 × 0.01453 + 0.225 + 0.5 × 1.59 + 1.4
  = 0.07265 + 0.225 + 0.795 + 1.4
  = 2.49265

---

3.反向传播计算（YOLOv1）

训练时，通过反向传播更新网络参数

3.1 梯度计算

对于损失函数 L ，我们需要计算每个参数的梯度（本质是损失函数对模型参数的偏导数）：

∂L/∂w = ∂L/∂y × ∂y/∂w

上式运用链式法则：

损失函数L对模型参数w的梯度 = 损失函数L对模型输出y的梯度 × 模型输出y对模型参数w的梯度

3.2 坐标损失（Lcoord）的梯度

仅对正样本（1(obj)=1）计算

∂Lcoord/∂x̂ = 2 (x̂ - x)

∂Lcoord/∂ŷ = 2 (ŷ - y)

∂Lcoord/∂ŵ = (√ŵ - √w) / √ŵ

∂Lcoord/∂ĥ = (√ĥ - √h) / √ĥ

3.3 置信度损失（Lconf_obj / Lconf_noobj）的梯度

正样本

∂Lconf_obj/∂Ĉ = 2 (Ĉ - C)

负样本（真实置信度 C = 0）

∂Lconf_noobj/∂Ĉ = 2 (Ĉ - C)

3.4 类别损失（Lclass）的梯度

∂Lclass/∂p̂(c) = 2 (p̂(c) - p(c))

3.5 卷积层参数（权重w，偏置b）的梯度

全连接层：前向运算为 y=w⋅x+b （x 是输入，y 是输出），梯度为 

∂L/∂w = ∂L/∂y · xT

∂L/∂b = ∂L/∂y

卷积层：前向运算为 y=x∗w+b （*为卷积计算），梯度为

∂L/∂w = xT ∗ δ （δ = ∂L/∂y 是上层传递的梯度 ）

∂L/∂b = ΣΣδ （在空间维度和批量维度上求和）

3.6 参数更新

使用梯度下降更新参数：

w_new = w_old - α × ∂L/∂w

其中 α 是学习率（如0.001）

四、YOLO版本演进（YOLOv1~YOLO12）

>> YOLOv1（2016）

核心架构：24 层卷积 + 2 层全连接，将图像划分为 S×S 网格，每个网格预测 B 个边界框 + 类别概率

损失函数：采用 MSE 损失，直接回归坐标、置信度和类别概率，无锚框（Anchor-Free）

核心局限：

1. 小目标、密集目标检测效果差（每个网格仅一个框负责检测）
2. 坐标回归对尺度敏感（仅用√w/√h 优化，未考虑 IoU）
3. 全连接层导致泛化能力弱，对输入尺寸限制严格（448*448）

>> YOLOv2（2017）

核心改进：

1. 引入锚框（Anchor），放弃全连接层，用卷积层预测锚框偏移量，支持多尺度训练
2. 添加 Passthrough 层，融合浅层高分辨率特征，提升小目标检测能力
3. 损失函数优化：用交叉熵损失替代 MSE 计算置信度和类别损失，坐标回归用相对偏移（x/y 相对于网格左上角）
4. 工程优化：采用 Darknet-19 骨干网络（19 层卷积），比 v1 的 24 层卷积更快；加入批量归一化（BN），提升训练稳定性

>> YOLOv3（2018）

核心改进：

1. 多尺度检测：输出 3 个不同尺度特征图（13×13、26×26、52×52），分别对应大、中、小目标
2. 骨干网络升级：Darknet-53（53 层卷积），引入残差连接（Residual），解决深层网络梯度消失问题
3. 用 Sigmoid 替代 Softmax，支持多标签分类，v1/v2 仅支持单标签
4. 每个尺度预设 3 个锚框（共 9 个），置信度损失仍用交叉熵，坐标损失隐含 IoU 优化

>> YOLOv4（2020）

核心改进：

1. 骨干网络增强：CSPDarknet-53，引入 CSP（Cross Stage Partial）结构，减少计算量同时保留特征信息
2. 颈部（Neck）优化：添加 SPP（Spatial Pyramid Pooling）层，增强对不同尺度目标的适应性；用 PANet 替代 v3 的 FPN，提升特征融合效率
3. 训练策略：Mosaic 数据增强（4 张图拼接）、标签平滑、CIoU 损失（替代传统 IoU，优化坐标回归）
4. 激活函数：用 Mish 激活替代 Leaky ReLU，提升梯度流动

>> YOLOv5（2020）

核心改进：

1. 架构模块化：将网络拆分为 Input、Backbone、Neck、Head，支持灵活调整
2. 骨干网络：CSPDarknet-53 的轻量化变体（如 C3 模块替代 CSP 模块），提供 n/s/m/l/x5 个尺度模型（从轻量化到高精度）
3. 训练与推理优化：自适应锚框计算（自动匹配数据集）、自适应图片缩放（减少黑边）、Warmup+Cosine LR 调度器，推理速度极快
4. 损失函数：CIoU/GIoU/DIoU 可选，类别损失用交叉熵，置信度损失支持 Focal Loss（解决正负样本不平衡）

侧重工程落地，轻量化优化更彻底，推理速度优于v4

>> YOLOv6（2022）

核心改进：

1. 骨干网络：EfficientRep，用 RepVGG 的重参数化技术，训练时多分支提升精度，推理时融合为单分支提速
2. 颈部：Rep-PAN，延续 PANet 结构，加入重参数化卷积，平衡速度与特征融合效果
3. 头结构：Decoupled Head（解耦分类和回归头），分别优化类别和坐标预测，提升精度
4. 损失：SIoU 损失（进一步优化坐标回归的方向一致性），分类损失用 Varifocal Loss

速度大幅提升，工业级部署优化更极致

>> YOLOv7（2022）

核心改进：

1. 骨干网络：ELAN（Enhanced Efficient Layer Aggregation），通过堆叠不同尺度卷积，提升特征提取能力
2. 头结构：E-ELAN 和 MP-ELAN 模块，增强特征融合和多尺度适应能力；支持耦合 / 解耦头切换
3. 训练策略：Mosaic-9（9 张图拼接）、ReMix 数据增强，动态标签分配（Task-Aligned Assigner）
4. 损失：CIoU/DIoU/SIoU 可选，分类损失用 Focal Loss，支持自蒸馏训练（提升小模型精度）

更侧重高精度，学术性能优于v6

>> YOLOv8（2023）

核心改进：

1. 架构统一：支持检测、分割、姿态估计、实例分割等多任务，共享骨干和颈部
2. 骨干网络：C2f 模块（替代 v5 的 C3），增强特征提取和梯度流动，兼顾速度与精度
3. 头结构：Decoupled Head+Anchor-Free（可选 Anchor-Based），默认用 Anchor-Free 减少锚框调参成本
4. 训练与工具链：Ultralytics 框架支持自动训练、可视化、部署，支持 TensorRT/ONNX 等多格式导出，损失用 CIoU+Focal Loss

>> YOLOv9（2024）

核心改进：

1. 提出可编程梯度信息（PGI），自适应建模特征梯度信息
2. 设计 GELAN 结构，优化网络宽度与深度，提升训练稳定性
3. 改进路径聚合方式，充分利用多尺度特征
4. 新增新型损失函数与正则化，强化小目标检测效果

>> YOLOv10（2024）

核心改进：

1. 取消 NMS 后处理，通过一致性双重分配策略实现单目标唯一预测
2. 分类头采用深度可分离卷积，参数量减少约 60%
3. 引入空间 - 通道解耦下采样机制，减少计算冗余
4. 骨干网络加入深度可分离大核卷积，提升感受野

>> YOLOv11（2025）

核心改进：

1. 骨干采用 C3K2 模块 + C2PSA 空间注意力模块，增强特征提取
2. 用深度可分离卷积优化分类分支，提升效率
3. 引入可编程梯度信息（PGI）和任务对齐标签分配
4. 参数量优化，v11m 较 v8m 参数减少 22% 且 mAP 更高

>> YOLOv12（2025）

核心改进：

1. 首次摒弃 CNN，采用纯 Vision Transformer 作为主干
2. 设计区域注意力模块（A²），计算量减少 41%
3. 提出 R - ELAN 结构，解决注意力模型梯度消失与训练不稳定问题
4. 集成 FlashAttention 技术，提升 GPU 显存利用效率

五、结语

        其实使用YOLO完全没有门槛，因为你即使不懂YOLO的框架结构和算法，也能照着教程训练和使用YOLO模型。但是当你真正实打实地开始训练YOLO、使用YOLO时，你会不停地产生各种疑问，我认为使用YOLO的同时去尝试理解YOLO的结构和算法，能够更好的帮助我们处理模型训练中遇到的各种问题。

        学习本身就是一个知行合一的过程，学习YOLO不能只是纸上谈兵，也不能只是照猫画虎。自己尝试着训练一个YOLO模型，会更好地帮你理解本篇文章的内容

从零开始训练自己的YOLO模型https://blog.youkuaiyun.com/weixin_44779079/article/details/145828183?spm=1001.2014.3001.5506