【YOLO】You only look once系列_you look only once代码-优快云博客

本文链接：https://blog.youkuaiyun.com/github_37973614/article/details/84110176

这篇博客详细介绍了YOLO（You Only Look Once）目标检测算法，包括YOLOv1的基本思想、网络结构、损失函数，以及YOLOv2的改进，如使用anchor box、高分辨率分类、Batch Normalization等，揭示了YOLO系列如何提高检测速度和精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

YOLOV1

1、综述

Yolov1是CVPR2016的论文，Yolov1的网络速度很快，可以实时处理图片，达到45fps，还有一种改进的fast Yolo（减少了一些卷积层），可以达到155fps，精度也比较高，虽然会在定位上错误比较高，但是会在将背景预测为正样本的情况较少。主要的思想就是将一幅图片分成一个SxS grid,每个cell负责检测落在其中的gt框内容，那么只有当gt框的中心落在cell中，才算这个gt属于这个cell。且不像二阶段中有RPN阶段，Yolov1是直接输出最终得到的结果，结果维度为SxSx(B*5+C)，其中SxS是cell的数量，B为每个cell中bbox的数量，C为类别数。在本轮文中使用的是C=20，B=2，S=7。

2、Details

首先，YOLOv1的网络是使用自己设计的darknet。使用的darknet网络最开始是在ImageNet上使用224x224（在进行目标检测的时候是448x448）的图进行预训练，预训练的任务是进行图像分类，大概训练了一周时间，在ImageNet 2012 validation set达到了top-5 accuracy 80%的效果，堪比GoogleNet的模型达到的效果。

考虑到检测的任务需要细粒度的信息，所以将输入图片的分辨率由224x224变成448x448。最终的预测结果是7x7x(5x2+20)，其中5是1 class probabilities+ 4 bbox coordinates。需要将bbox的宽和长归一化，即相对于image width and height的比例，取值范围在0-1，bbox的中心坐标x，y则是相对于cell左上坐标的偏移，也是一个0-1范围的值（见下面代码）。

#如下是gt框计算loss需要的对应的值的过程
cellx = 1. * w / S
celly = 1. * h / S
for obj in allobj:
    centerx = .5*(obj[1]+obj[3]) #xmin, xmax
    centery = .5*(obj[2]+obj[4]) #ymin, ymax
    cx = centerx / cellx
    cy = centery / celly
    # obj[1] is lttop_x, obj[2] is lttop_y, obj[3] is rigbot_x, obj[4] is rigbot_y 
    obj[3] = float(obj[3]-obj[1]) / w
    obj[4] = float(ob