目标检测论文精读（１）－ YOLOv1

最新推荐文章于 2025-06-29 12:15:44 发布
最新推荐文章于 2025-06-29 12:15:44 发布
阅读量1.5k 收藏 4
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 目标检测论文精读 文章标签： YOLOv1 目标检测 object detection YOLO 目标检测论文
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/zhli99/article/details/89075560
YOLOv1将目标检测视为单一回归问题，通过卷积神经网络实现快速且准确的检测。它以网格为基础，每个网格预测多个边界框及类别概率，利用损失函数结合定位、置信度和类别预测。YOLOv1以其实时性、全局推理和良好的泛化能力在Pascal VOC 2007等数据集上展现出色效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

YOLOv1阅读重点


YOLO v1原论文地址 https://arxiv.org/pdf/1506.02640.pdf

Introduction

在这里插入图片描述
YOLOv1之前的目标检测算法基本都是通过重用分类器实现目标检测的，但是YOLOv1把目标检测看作一个单一的回归问题，从空间上分割边界框、预测有关的类别概率。

The YOLO Detection System

在这里插入图片描述
YOLOv1的检测流程如上图所示，先输入一张图片，（１）然后将该图片裁剪成448*448，（２）再在这张图片运行单个卷积神经网络，（３）最后再根据求得的模型置信度对检测结果进行阈值处理。

The Model

在这里插入图片描述
模型如上图所示，把裁剪后的图片划分成S*S的网格，每个网格预测Ｂ个边界框以及每个边界框的置信度，然后每个网格还得预测Ｃ个类别概率，所以最后预测到的目标标签是一个S * S * (B * 5 + C)的tensor，这里的５就是对应下图这５个数据（ｘ，ｙ：边界框中心点坐标

最低0.47元/天 解锁文章

200万优质内容无限畅学
【经典论文解读】YOLO 目标检测
黎国溥
08-03 3917
前言 YOLO是一种目标检测方法，它的输入是整张图片，当检测到目标物体时用边界框圈起来，同时给该目标物体一个类别；边界框由中心位置、宽、高等来表示的；它的输出是n个物体的检测信息，每个物体的信息包括：中心位置(x,y)、高(h)、宽(w)、类别。 YOLO的全称是you only look once，指只需要浏览一次就可以识别出图中的物体的类别和位置；它是通过归回的方式计算和优化边界框和类别。 论文地址：You Only Look Once: Unified, Real-Time Object D
目标检测入门论文YOLOV1精读以及pytorch源码复现(yolov1)
qq_37864510的博客
03-15 2377
结果展示 其中绿线是我绘制的图像划分网格。 这里的loss是我训练的 0.77 ，由于损失函数是我自己写的，所以可能跟大家的不太一样，这个不重要，重要的是学习思路。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1M6DA96g-1615809150258)(https://i.loli.net/2021/03/14/BhnqzdSl1C5ZMHa.png)] 重点提示 yolov1是一个目标检测的算法，他是一阶段的检测算法。 一阶段（one-stage）：检测物体的
目标检测论文精读汇总
熊猫小妖的AI世界
04-29 1337
目录 1 R-CNN系列（1） R-CNN灵感来源：Selective search for object recognition（2） R-CNN开山之篇：R-CNN（3） R-CNN起承转合之笔：Fast R-CNN（4） R-CNN完全深度学习大成篇：Faster R-CNN 2 YOLO系列（5）YOLO系列最快的仔：YOLO V1（6）YOLO系列重要续作：YOLO V2（5）YOLO系列原创性idea里程碑：YOLO V3（6）YOLO官方交接之棒：YOLO V4：（7）YOLO非官方异军突起、
YOLOv10: Real-Time End-to-End Object Detection目标检测论文精读（逐段解析）
最新发布
weixin_46248968的博客
06-29 1734
【前沿论文精读】YOLOv10论文提出了一种新型实时端到端目标检测方法，解决了传统YOLO的两个关键问题：依赖NMS后处理和模型架构冗余。通过创新的一致双分配策略实现无NMS训练，同时采用效率-准确性驱动的模型设计优化架构。
【目标检测 论文精读 】R-CNN (Rich feature hierarchies for accurate object detection and semantic segmentation)
深度不学习！！的博客
05-04 1728
文章目录前言Abstract(摘要)Introduction(引言) 前言 今天看一下大名鼎鼎的目标检测算法 R-CNN。 这个论文有很多版本，这里是 论文下载地址:https://arxiv.org/pdf/1311.2524v5.pdf 论文题目:Rich feature hierarchies for accurate object detection and semantic segmentation R-CNN是两阶段目标检测算法的开山鼻祖。 两阶段： 先从目标图片中提取候选框 再对候选框进行分
【目标检测 论文精读】……YOLO-V2 & YOLO9000 ……（YOLO9000: Better, Faster, Stronger）
深度不学习！！的博客
05-21 1252
anchor和bbox的区别。 yolo9000 & yolov2 论文精读
【深度学习 论文篇 02-1 】YOLOv1论文精读
qq_45562973的博客
04-15 1725
Python微信订餐小程序课程视频 https://blog.youkuaiyun.com/m0_56069948/article/details/122285951 Python实战量化交易理财系统 https://blog.youkuaiyun.com/m0_56069948/article/details/122285941目录 1. 简介 2. 论文思想 2.1 算法流程 2.2 网络结构 2.3 预训练分类网络 2.4 训练检测网络 2.5 损失函数（L2 Loss） 3. YOLOv1的缺陷 4. 其他一些检测
论文研读之“YOLO v1”目标检测深度学习算法一文看懂，YOLO开篇之作，必读！
Shine19的博客
01-14 1109
YOLO开篇之作，必读！YOLO v1详细解读，附图片分析。
YOLOv1论文精读：目标检测的快速方法
“YOLOv1论文精读，YOLOv1概述，推理阶段，训练阶段，网络结构，损失函数，YOLO后续版本，YOLOv1论文精度，B站UP主同济子豪兄的讲解，S×S网格，BBB个预测框，置信度” YOLO（You Only Look Once）是一种实时目标...
目标检测篇-FPN论文精读
acx0000的博客
02-20 4560
FPN论文精读包括FPN网络结构介绍、FPN应用于RPN及Fast RCNN部分介绍
YOLO_V1论文精读
2303_79620604的博客
09-06 1478
翻译我们提出的YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，我们将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。我们使用单个神经网络在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。我们的统一架构速度极快。我们的基本YOLO模型以45 fps（帧/秒）的速度实时处理图像。
目标检测 - YOLOv1
菜狗的玄学修炼室
07-10 943
YOLOv1目标检测 一、 算法介绍 YOLO是一个可以一次性预测多个bbox位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。事实上，目标检测的本质就是回归，因此一个实现回归功能的CNN并不需要复杂的设计过程。YOLO没有选择滑动窗口或提取proposal的方式训练网络，而是直接选用整幅图片来训练模型。这样做的好处在于可以更好的区分目标和背景区域。 二、 原理实现 2.1 网络设计 YOLOv1的网络结构主要是借鉴了GoogLeNet网络，该网络包括了24个卷积层，2个全链
目标检测： YOLOv1
Chris_zhangrx的博客
02-26 562
《You Only Look Once: Unified,Real-Time object Detection》 论文链接： https://pjreddie.com/publications/ 本文为最早提出的一批 one-stage 的目标检测方法，此方法速度很快，可以达到 45帧/秒 （在 Titan X 上运行）的速度，若精简网络结构，可以达到 155帧/秒（在 Titan X 上运行），...
YOLOv4无人机目标检测算法毕业论文【附代码+数据】
坷拉博士
10-21 1157
在CNN的发展历程中，Le Net、Alex Net、VGG等经典模型的出现，推动了该领域的技术进步。通过这一改进，本文进一步减少了YOLOv4模型的运算消耗，提升了模型的效率。在回归损失函数方面，本文全面讨论了各种回归损失函数的优缺点，并选择了表现最优的CIOU Loss作为YOLOv4模型的回归损失函数。在数据标注过程中，由于手工标注难以达到十全十美的标准，因此本文采用了Label Smoothing标签平滑技术，以正则化的方式处理目标标签的过于自信问题，避免了手工标注错误对模型训练的影响。
YOLOv1 论文精读
The Shawshank Redemption
09-29 1023
摘要 我们提出了YOLO，这是一个目标检测的新方法。目标检测领域的以往工作就是对分类器稍加调整以用于检测。相反，我们是将目标检测视为一个回归问题，这个问题是得到空间上分离的包围框(bounding boxes)以及和这些框相联系的类别概率。一个单独的神经网络就可以在一次评估中直接从整幅图像中预测bounding boxes以及对应的类别概率。由于整个检测的流程是在一个单独的网络中完成的，它能够依靠检测的表现结果进行端到端的直接优化。 依靠检测的表现结果进行端到端的直接优化：个人理解指的就是我们可以依靠检
目标检测经典论文——YOLO论文翻译：You Only Look Once: Unified, Real-Time Object Detection（YOLO：统一的实时目标检测）
bigcindy的博客
07-30 4630
You Only Look Once: Unified, Real-Time Object Detection YOLO：统一的实时目标检测 Joseph Redmon*, Santosh Divvala*†, Ross Girshick¶, Ali Farhadi*† University of Washington*, Allen Institute for AI†, Facebook AI Research¶ http://pjreddie.com/yolo/ ...
目标检测YOLO论文详解
11-17 372
本文提出了一个新的物体检测的方法：You Only LookOnce（YOLO）。之前的物体检测方法通常都转变为了一个分类问题，如 R-CNN、Fast R-CNN等等。YOLO将检测看作一个 regression problem，YOLO 从输入的图像，仅仅经过一个neural network，直接预测 bounding boxes 以及每个 bounding box所属类别的概率。正因为整个的检测过程仅仅有一个网络，所以它可以直接 end-to-end的优化。帧图像。
【目标检测】YOLO论文详解（You Only Look Once: Unified, Real-Time Object Detection）
不可能打工的博客
11-30 430
论文原文：https://arxiv.org/abs/1506.02640 一、简介 YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比： image 如果说faster-RCNN是真正实现了完全...
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