YOLO详解

最新推荐文章于 2025-06-19 14:39:59 发布

原创

最新推荐文章于 2025-06-19 14:39:59 发布 · 9.2k 阅读

85 ·

CC 4.0 BY-SA版权

文章目录

1. YOLO的创新点

YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。
从网络设计上，YOLO与two steps的目标检测方法如RCNN、Fast RCNN和Faster RCNN的区别如下：

YOLO训练和检测均是在一个单独网络中进行。
YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。Faster rcnn使用RPN（region proposal network）卷积网络替代rcnn和fast rcnn的selective
search模块，将RPN集成到fast rcnn检测网络中，得到一个统一的检测网络。尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络（注意这两个网络核心卷积层是参数共享的）。(这段话不大懂)
YOLO将物体检测作为一个回归问题进行求解，输入图像经过一次inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。而rcnn、fast rcnn和faster rcnn将检测结果分为两部分求解：物体类别（分类问题），物体位置即bounding box（回归问题）。

2. 核心思想

2.1 网络定义

YOLO检测网络包括24个卷积层和2个全连接层，如下图所示。需要说明的是，YOLO的网络借鉴了GoogleNet分类网络结构，论文中给出的网络结构如下：
在这里插入图片描述
有个更好看的版本，如下：

从上图可以看到，YOLO的网络结构采取了GoogleNet的前20层网络，但是是经过modification的，具体是不采用inception module，而是采用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。然后后面四层的卷积层是他自己加的，最后2个全连接层，最后再reshape成7x7x30的tensor。另注意，由于最后采用了全连接层，所以训练的图片和测试的图片大小要一样，都是448x448x3的彩色图。

YOLO论文中，作者还给出一个更轻快的检测网络fast YOLO，它只有9个卷积层和2个全连接层。使用titan x GPU，fast YOLO可以达到155fps的检测速度，但是mAP值也从YOLO的63.4%降到了52.7%，但却仍然远高于以往的实时物体检测方法（DPM）的mAP值。

2.2 输出表示定义

本部分给出YOLO全连接输出层的定义。

YOLO将输入图像分成SxS个格子(grid)，每个格子(grid)负责检测‘落入’该格子的物体。若某个物体的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。如下图所示，图中物体狗的中心点（红色原点）落入第5行、第2列的格子内，所以这个格子负责预测图像中的物体狗。
在这里插入图片描述
每个格子(grid)输出B个bounding box（包含物体的矩形区域）信息，也就是(x,y,w,h,confidence)，以及C个物体属于某种类别的概率信息。
Bounding box信息包含5个数据值，分别是x,y,w,h,和confidence。其中x,y是指当前格子预测得到的物体的bounding box的中心位置的坐标。w,h是bounding box的宽度和高度。注意：实际训练过程中，w和h的值使用图像的宽度和高度进行归一化到[0,1]区间内；x，y是bounding box中心位置相对于当前格子位置的偏移值，并且被归一化到[0,1]。

confidence反映当前bounding box是否包含物体以及物体位置的准确性， 请注意，是bounding box，不是所在格子(grid)，这一点很重要。confidence的计算方式如下：
$confidence = Pr(Object) * IOU_{pred}^{truth}$
其中，如果bounding box包含物体，则 $P r (O b j e c t) = 1$ ，否则 $P r (O b j e c t) = 0$ ； $I O U$ (intersection of union)为预测的bounding box与物体真实区域的交集面积，这个值也是在[0,1]之间的。