YOLO发展历史概览（宗师归隐，江湖沸腾）

最新推荐文章于 2025-04-03 19:17:28 发布

龚大龙

最新推荐文章于 2025-04-03 19:17:28 发布

阅读量645

点赞数 13

文章标签： YOLO

本文链接：https://blog.youkuaiyun.com/m0_37970224/article/details/146723316

版权

一、前言

本文意在梳理YOLO的发展历史，较为通识性，尽可能少涉及技术讲解。

二、What is YOLO？

在这里插入图片描述

1.1 惊天出世

2015年6月，Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi 团队提出了《You Only Look Once: Unified, Real-Time Object Detection》论文，对标Faster R-CNN系列算法（何恺明团队），从此掀起了一场目标检测领域技术革命。附上一作Joseph Redmon的帅照：
在这里插入图片描述

1.1.1 基本思想

一言以蔽之：YOLO通过端到端的单阶段回归，直接从整幅图像预测目标的类别和位置，实现了高速、实时、全局感知的目标检测。

Q：啥叫端到端？单阶段？回归？
A：问得好，那就是存在不是端到端，不是单阶段，不是回归的方法应用于目标检测领域，且看1.2章节竞争对手。你得先了解当时的主流门派（算法），才能体会YOLO的颠覆性。

1.2 独领风骚

YOLO横空出世，一时间CV界炸开了锅，反响为何如此热烈，那就得看看在它出现之前主流的目前检测算法是怎么干的了。

1.2.1 竞争对手（主流门派）

R-CNN系列

R-CNN（2014）
Fast R-CNN（2015）
Faster R-CNN（2015）

核心思想：
通俗来讲目标检测就是3个步骤：

生成候选框；
特征提取；
softmax分类。

解释：一张图片送进去模型，先生成很多的候选框，接着对这些方框区域进行特征提取，最后进行分类。非常直觉的行为，机器不知道物体在哪里，就先生成一大堆框框，那必然是能够覆盖图片中的检测目标的，那这些检测目标属于哪个类别呢？那不得先进行特征提取，再送进去softmax进行分类，最后该合并的框框合并，该去除的框框去除即可。

缺点：我愿称之为“一图拆多图”，增加了计算量，导致慢。

小结：这就是所谓的“two stage”两步式方法，也就是先找框框，再特征提取、分类的方法，未涉及回归，Faster R-CNN首次实现端到端，所谓端到端其实也就是“one stage”。

1.2.2 华山论剑（对比）

	YOLO（One-Stage）	R-CNN 系列（Two-Stage）
核心思想	直接回归目标的类别和位置，端到端预测	先生成候选框，再分类，分步骤完成
计算流程	一次前向传播直接预测所有目标	两阶段（区域提议 + 分类）
速度	快（YOLOv1 45 FPS，YOLOv3 可达 100+ FPS）	慢（R-CNN 0.02 FPS，Faster R-CNN 7 FPS）
精度	速度快但易错检，尤其对小目标和重叠目标较难处理	精度高，适用于高要求任务
候选框生成	无候选框，直接预测	需要区域提议（RPN 或 Selective Search）
适用场景	实时检测（如无人机、自动驾驶、安防监控）	需要高精度的检测任务（如医学影像分析）