YOLO学习

YOLOv1网络结构

YOLOv1（You Only Look Once v1）是一种经典的One-Stage目标检测模型，由Joseph Redmon等人在2016年提出。YOLOv1的核心思想是将目标检测视为单次回归问题：给定一张输入图片，网络直接预测目标的类别和边界框的位置。

网络结构概览

1. 基本网络结构

YOLOv1 的主干网络借鉴了经典的GoogLeNet（Inception v1）结构，但为了减少复杂度，去除了Inception模块，变成了一种精简版的卷积神经网络。

结构：24个卷积层 + 2个全连接层

• 前20层：用于特征提取（卷积和池化层交替）。
• 最后4层：主要是卷积层和两个全连接层，负责回归边界框和预测类别。

2. 网络结构表

层数	层类型	滤波器数量	滤波器大小/步长	输入大小	输出大小
1	卷积	64	7 × 7 / 2	448 × 448 × 3	224 × 224 × 64
2	最大池化	-	2 × 2 / 2	224 × 224 × 64	112 × 112 × 64
3	卷积	192	3 × 3 / 1	112 × 112 × 64	112 × 112 × 192
4	最大池化	-	2 × 2 / 2	112 × 112 × 192	56 × 56 × 192
5-8	卷积	128 / 256 / 256 / 512	3 × 3 / 1	56 × 56 × 192	56 × 56 × 512
9	最大池化	-	2 × 2 / 2	56 × 56 × 512	28 × 28 × 512
10-16	卷积	多通道 (512-1024)	3 × 3 / 1	28 × 28 × 512	14 × 14 × 1024
17	最大池化	-	2 × 2 / 2	14 × 14 × 1024	7 × 7 × 1024
18-20	卷积	1024	3 × 3 / 1	7 × 7 × 1024	7 × 7 × 1024
21	全连接	-	-	7 × 7 × 1024	4096
22	全连接	-	-	4096	1470 (7×7×30)

3. YOLOv1的输出设计

• 图片网格划分：YOLOv1将输入图片划分为S × S个网格（S = 7）。
• 每个网格：
  • 预测2个边界框（每个框包含5个参数：(x, y, w, h, confidence)）。
  • 预测C个类别的概率分布。

输出向量大小：

• 对于一个输入图片：网络会输出一个大小为(S × S × (B * 5 + C))的张量，其中：
  • S：7（即7 × 7网格）
  • B：2（每个网格预测2个边界框）
  • C：20（COCO数据集的20个类别）

最终输出张量大小：7 × 7 × 30。

• 30 = 2 * 5（边界框） + 20（类别概率）

4. YOLOv1的损失函数

YOLOv1使用一个多任务损失函数，包括三部分：

1. 边界框回归损失：用于预测框的坐标 (x, y, w, h)。
2. 置信度损失：用于衡量预测框内是否有物体。
3. 分类损失：用于预测目标的类别。

损失公式：

5. YOLOv1的优势与不足

优势：

• 速度快：YOLOv1的检测速度极高，可以实现实时检测（45 FPS）。
• 端到端检测：不需要像R-CNN那样的候选框生成步骤。

不足：

• 小目标检测效果不佳：因为每个网格只能预测有限的目标，导致小目标可能被忽略。
• 定位精度偏低：由于每个网格只能预测固定数量的框，容易导致框重叠或位置偏差。

6. 总结

YOLOv1的创新在于将目标检测简化为一个单阶段的回归任务，极大地提升了检测速度。然而，由于它的结构设计存在局限性（如对小目标的检测性能较差），后续版本（YOLOv2、YOLOv3等）对其做了很多改进，比如更好的网络结构和损失函数设计。