YOLO基础知识

已于 2025-03-29 11:49:09 修改
阅读量562 收藏 7
点赞数 7
分类专栏： YOLO 文章标签： 计算机视觉 YOLO
于 2025-03-29 11:44:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_73214301/article/details/146643202
版权

YOLO11模型结构：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
 
# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs
  s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs
  m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs
  l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs
  x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs
 
# YOLO11n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, C3k2, [256, False, 0.25]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 2, C3k2, [512, False, 0.25]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 2, C3k2, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 2, C3k2, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 2, C2PSA, [1024]] # 10
 
# YOLO11n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 2, C3k2, [512, False]] # 13
 
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)
 
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)
 
  - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

下面是解释：

​一、基础知识铺垫

1. 什么是YOLO？

YOLO（You Only Look Once）是一种实时目标检测算法，它的核心思想是：​通过一次前向传播（只看一次图像）就能预测图像中所有物体的位置和类别。

2. 模型配置文件的作用

这个YAML文件定义了YOLO模型的网络结构，就像一张"建筑图纸"，告诉计算机：

  • 每一层用什么样的砖块（卷积、池化等）
  • 砖块之间如何连接（数据流动路径）

​二、核心参数解释

1. 基础参数
  • nc: 80：模型需要检测80种物体（比如COCO数据集中的"人、车、狗..."）
  • scales：定义不同大小的模型（n/s/m/l/x），就像"衣服尺码"，小模型（n）速度快但精度低，大模型（x）速度慢但精度高
2. 缩放系数的意义

每个模型尺寸有三个参数 [深度, 宽度, 最大通道数]：

  • ​深度：控制网络的层数（比如n模型的深度是0.5，表示总层数是大模型的一半）
  • ​宽度：控制每层的通道数（比如n模型的宽度是0.25，表示每层的通道数是基准数的25%）
  • ​最大通道数：防止某些层的通道数过大（比如n模型最大通道数不超过1024）

​三、Backbone（主干网络）详解

1. Backbone的作用

想象Backbone是"特征提取器"，它像榨汁机一样把原始图像（比如640x640像素）一步步压榨，提取出不同层次的特征：

  • 浅层特征：边缘、纹理（适合检测小物体）
  • 深层特征：语义信息（适合检测大物体）
2. 逐层拆解（以YOLO11n为例）

我们用输入图像640x640为例，解释每一层：

层编号模块参数输出尺寸变化通俗解释
0Conv[64, 3, 2]640x640 → 320x320用64个3x3的过滤器，步长2（下采样）
1Conv[128, 3, 2]320x320 → 160x160通道数翻倍，继续下采样
2C3k2[256, False, 0.25]保持160x160用多个小卷积组合提取特征
3Conv[256, 3, 2]160x160 → 80x80继续下采样
4C3k2[512, False, 0.25]保持80x80更深的特征提取
7Conv[1024, 3, 2]40x40 → 20x20最终下采样到20x20分辨率
9SPPF[1024, 5]保持20x20空间金字塔池化，融合多尺度特征
10C2PSA[1024]保持20x20注意力机制，让模型关注重要区域
3. 关键模块说明
  • ​C3k2：由多个卷积组成的模块，类似"乐高积木块"，通过堆叠提取复杂特征
  • ​SPPF：快速空间金字塔池化，把不同大小的池化结果拼接，帮助模型理解不同尺度的物体
  • ​C2PSA：结合通道注意力和空间注意力，让网络自动学习"看哪里更重要"

四、Head（检测头）详解

1. Head的作用

如果说Backbone是"眼睛"，Head就是"大脑"，它的任务是：

  1. ​融合多尺度特征​（把不同分辨率的特征图拼接）
  2. ​预测物体位置和类别​（输出边界框和类别概率）
2. 核心操作解释
  • ​上采样（Upsample）​：把小特征图放大（比如20x20→40x40），用最近邻插值法
  • ​拼接（Concat）​：把深层特征和浅层特征拼接，结合细节和语义信息
  • ​C3k2处理：对拼接后的特征再次提取
  • ​下采样（Conv步长2）​：降低分辨率，准备多尺度预测
3. 多尺度预测示意图
          [80x80] ← 上采样 + 拼接 ← [40x40] ← 上采样 + 拼接 ← [20x20]
（检测小物体）          （检测中物体）          （检测大物体）

五、Detect层（最终输出）​

1. 输入来源
  • P3: 80x80的高分辨率特征（检测小物体）
  • P4: 40x40的中等分辨率特征（检测中物体）
  • P5: 20x20的低分辨率特征（检测大物体）
2. 输出内容

每个尺度的每个网格会预测：

  • 边界框坐标（x, y, w, h）
  • 置信度（是否有物体）
  • 80个类别的概率
3. 最终检测流程
  1. 输入图像经过Backbone提取特征
  2. Head融合不同尺度的特征
  3. Detect层在每个尺度上生成预测框
  4. 非极大值抑制（NMS）去除冗余框

​六、举个实际例子

假设输入一张640x640的图片：

  1. ​Backbone处理：

    • 经过5次下采样，最后得到20x20的特征图
    • 中间过程保留了不同尺度的特征（160x160、80x80、40x40等）

  2. ​Head处理：

    • 把20x20的特征图上采样到40x40，与之前的40x40特征拼接
    • 再次上采样到80x80，与更早的80x80特征拼接
    • 同时也会下采样融合其他尺度的特征

  3. ​输出结果：

    • 最终在80x80、40x40、20x20三个尺度上分别预测物体
    • 小物体（如远处的行人）主要在80x80被检测到
    • 大物体（如近处的汽车）主要在20x20被检测到
二十分钟入门YOLO算法
digitalImage030的博客
12-11 5723
YOLO官方推出了一款app：iDetection，可以对摄像头所及的视野进行目标检测。（它的识别效果比某些指鹿为马的识图软件/相机功能要好很多）
YOLO详解
UnknownPlayer的博客
06-04 9204
本文参考知乎 https://zhuanlan.zhihu.com/p/25236464 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...
Yolo系列详解
08-05 1万+
零、图像基本概念 图像表示为二维的矩阵  灰阶图像 0-255，0表示黑色，255表示白色，其余表示灰色。 图像的坐标轴   彩色图像  注意：颜色信息对于任务有时候有用，有时候没用。 一、什么是目标检测 目标检测是计算机视觉中的经典的原子问题，即通过输入的图像来完成物体的检测，它需要解决两个问题： 物体在哪里 物体是什么 目标检测算法的传统实现 sift hog 等算法。这些算法的大致逻辑如下： 通过人定义的算法和规则提炼关键点。 通过人设计的算子和计算流程计算...
YOLOv5核心基础知识讲解
weixin_43960370的博客
04-12 1万+
我这主要是老师的内容！！
Yolo系列知识点梳理（Yolov1-v5）
zjuPeco的博客
10-23 1万+
文章目录1 概述2 Yolo系列模型2.1 基石 - Yolov12.1.1 Yolov1的网络结构 1 概述 Yolo系列的模型是大多数做目标检测的图像算法工程师都在使用的，使用时经常也是先用了看看效果再说，如果效果不错，有时间再回头来研究一下模型，有时甚至就忘了回过头来细究。这篇文章就是一个回头的产物。 Yolo的每一个系列都令人惊艳，本文综合了原始论文和网上各家的一些说法，把Yolo每个系列究竟产出了一些什么做一个系统的梳理，也方便我以后的再回头。 如果Yolo之后有人继续更新下去，本文也会尽量做到继
YOLO的基本思想以及各个版本对比
最新发布
Johnor的博客
03-28 1930
YOLO（You Only Look Once）是一种实时目标检测模型，输入通常是一个特定尺寸的图像，例如416x416像素。图像通过一个卷积神经网络（CNN）骨干网络处理，提取特征。YOLO是一种实时目标检测算法，自2015年首次发布以来，已发展到第12代。每代版本都在架构、训练方法和性能上进行了改进，适用于从自动驾驶到监控的各种应用。以下是各版本的主要变化概述，适合普通用户理解。C3k2 被描述为 YOLOv11 架构中的一个特定块。根据。
三、计算机视觉_06YOLO基础知识
LC的博客
11-21 1391
YOLO（You Only Look Once）是一种流行的对象检测和图像分割模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 于 2015 年推出，因其高速和准确性而迅速受到欢迎在目标检测领域，传统方法（如R-CNN系列算法）将目标检测分为两个阶段：首先使用区域候选网络（RPN）提取候选目标信息然后通过检测网络完成对候选目标的位置和类别的预测和识别。
YOLO算法系列基础知识PPT.pdf
09-05
YOLO-V2在V1的基础上进行了多项改进，包括引入Batch Normalization（批量归一化），从而使得网络的每一层输入都进行了标准化处理，这可以加速网络的收敛速度，并提升检测的准确率。此外，YOLO-V2采用了更高的分辨率...
YOLO基础介绍.zip
10-12
然而，在2023年知识截止时，YOLO的最新官方版本为YOLOv5。YOLOv5继续沿用并强化了之前版本的优点，例如进一步的模块化设计、网络结构的优化和损失函数的改进。YOLOv5相较于YOLOv4在速度和精度上都有所提升，尤其是...
yolo11学习教程重点知识点总结 yolo模型架构解析 训练优化介绍
10-02
重点：介绍YOLO（You Only Look Once）系列的发展历程，从YOLOv1到YOLOv11的主要改进点。 内容：简述YOLOv11的实时目标检测能力、单阶段检测框架的特点，以及与其它目标检测算法（如Faster R-CNN、SSD）的对比。...
深入浅出Yolo系列之核心基础知识完整讲解.pdf
06-14
### 深入浅出YOLO系列之核心基础知识完整讲解 #### 1. 论文汇总 - **YOLOv3**: - **论文名称**：《YOLOv3: An Incremental Improvement》 - **论文链接**：[https://arxiv.org/pdf/1804.02767.pdf]...
YOLO 入门合集 （YOLO学习笔记）
weixin_53159002的博客
06-28 3509
找到小标题Modes点击进入，在页面中下拉找到相关的介绍，这段英文以及左侧的列表就代表了YOLO的几大功能模块。训练模式：在自定义或预加载的数据集上微调您的模型。（训练模型）Val模式：用于验证模型性能的训练后检查点。（验证模型）预测模式：释放模型对真实世界数据的预测能力。（运用模型进行预测）导出模式：以各种格式准备好模型部署。（模型文件格式转换）跟踪模式：将对象检测模型扩展到实时跟踪应用程序中。（实时预测，多用于视频逐帧分析）基准测试模式：在不同的部署环境中分析模型的速度和准确性。（字面意思）
【YOLO】入门基础知识和和基本概念笔记
m0_74751715的博客
03-27 1332
以下是对YOLO 基础知识的超详细记录，涵盖从目标检测基础到 YOLO 核心概念的完整内容，每个关键点都清晰易懂。以上内容对 YOLO 的基本概念、数学原理和实现细节进行初步总结。接下来可以开始动手配置环境并训练自己的模型了。
一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
qq_45591302的博客
06-26 4万+
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
YOLO难理解知识点整理（指标计算+损失计算+网络结构 持续更新）
weixin_52514564的博客
04-03 1606
YOLO难理解知识点整理（持续更新）
YOLO系列知识点整理
jiugeshao的专栏
04-23 8240
之前系列博客中，各类深度学习的框架，一些新东西的接触都是从官网去接触的，好的东西必然有详尽的资料去阐述，很多都是外文网站，老外讲一些东西不是那么抽象，逻辑也很清楚，能理解的更为透彻，也可以去看看一些帖子，看看和自己的实现是不是差不多。对于各类算法，主要还是要去读读原作者的paper，理解不清楚的看看一些帖子，效果会更好。 深度学习在目标检测领域有很多的算法了，博主会有系列博客来记录，下面浅谈下博主的一个理解基调。 卷积神经网络，我们大概知道就是给输入（比如图像），给输出（打好的标签），然后拿预测出来的结
YOLOv3目标检测实战：交通标志识别
05-29
告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.youkuaiyun.com/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.youkuaiyun.com/course/detail/29363在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入学习和探究。除本课程《YOLOv3目标检测实战：交通标志识别》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：训练自己的数据集》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》另一门课程《YOLOv3目标检测实战：训练自己的数据集》主要是介绍如何训练自己标注的数据集。而本课程的区别主要在于学习对已标注数据集的格式转换，即把LISA数据集从csv格式转换成YOLOv3所需要的PASCAL VOC格式和YOLO格式。本课程提供数据集格式转换的Python代码。请大家关注以上课程，并选择学习。下图是使用YOLOv3进行交通标志识别的测试结果
YOLO（You Only Look Once）算法详解
热门推荐
AI之路
05-21 16万+
这篇博客主要介绍下YOLO v1算法（CVPR2016的文章）。YOLO是目前比较流行的object detection算法，速度快且结构简单，其他的object detection算法如faster RCNN，SSD相信大家也不陌生，以后有机会再介绍。另外提一下，这里算法部分介绍的是YOLO的第一个版本，而现在YOLO的官网上已经有YOLO v2的实现了，这个后续再介绍。 论文名称：You o...
yolo11基础知识
01-04
### YOLOv11基础概念 YOLO（You Only Look Once）系列算法是实时物体检测领域的重要组成部分之一。YOLOv11作为该系列的一个迭代版本，在保持原有优势的基础上进行了多项改进[^1]。 #### 一、单阶段检测器特性 YOLO属于单阶段目标检测框架，这意味着它不需要区域提议网络来生成候选框。相反，整个图像被划分为多个网格单元格；对于每个单元格，模型会直接预测边界框及其对应的类别概率。这种设计使得YOLO能够实现快速而高效的推断过程[^3]。 #### 二、输入输出结构 在YOLOv11中，输入图像是固定大小的正方形（例如448×448像素），经过一系列卷积层处理后转化为较小的空间维度特征映射（如7×7）。最终输出是一个三维张量，其中包含了位置信息和分类得分。具体来说： - 输入形状：(batch_size, channels=3, height=448, width=448) - 输出形状：(batch_size, grid_height=7, grid_width=7, num_anchors * (5 + num_classes)) 这里`num_anchors`表示每种尺度下的锚点数量，“5”代表五个参数用于描述边界框的位置与尺寸（中心坐标x,y加上宽度w高度h以及置信度score），而`num_classes`则对应于可能的目标种类数目[^4]。 ```python def forward(self, x): # (448,448,3) -> (7,7,30) S, B, C = self.feature_size, self.num_bboxes, self.num_classes x = self.features(x) # 提取高级语义特征 x = self.conv_layers(x) # 进一步压缩空间分辨率并增加通道数 x = self.fc_layers(x) # 完全连接层调整为合适的输出形式 x = x.view(-1, S, S, 5 * B + C) return x # 返回预测结果 ``` 上述代码片段展示了如何通过神经网络前向传播计算得到所需的输出格式。注意这里的变换是从原始高分辨率彩色图像逐步过渡至低维密集表达的过程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值