单阶段目标检测算法之YOLOv1详解

article/2025/8/24 17:30:27

官方网站C语言版本:https://pjreddie.com/darknet/yolov1/

tensorflow版本的代码下载： https://github.com/hizhangp/yolo_tensorflow

论文： http://arxiv.org/abs/1506.02640 

目录

一、YOLO介绍

二、YOLOv1的结构

三、YOLOV1原理

（一）基本核心思想

（二）网络结构

（三）输出7x7的理解

（四）输出维度30的理解

（五）一次预测98个框

（六）对98个预测框处理

（七）回归坐标xywh

（八）训练样本标签

四、总结

一、YOLO介绍

YOLO的全称叫做“You Only Look Once”，简单来说，YOLO可以做到将一张图片输入，直接输出最终结果，包括框和框内物体的名称及score(得分)。

相比RCNN系列的算法（提取候选框+分类回归），YOLO仅仅一个网络就能完成检测框和分类任务，所以说它是单阶段目标检测算法；

YOLO主要特点是：

  1. 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。
  2. 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。
  3. 泛化能力强。

二、YOLOv1的结构

YOLO V1是单阶段one stage体系开创者，一次卷积可得结果。

如下：

 YOLOv1是端到端进行训练，因此YOLOv1只有一条单一的网络分支。

步骤：

  1. 输入图像（固定大小到448x448）到卷积神经网络，得到特征图；
  2. 经过全连接网络，然后分类和回归；输出包含分类信息、置信度、坐标等信息；
  3. 使用NMS方法筛选获得结果。

三、YOLOV1原理

（一）基本核心思想

如下图：

  1. 首先将原图像分成S x S grid；在论文里S=7，即将图像分为7 x 7 grid；
  2. 每个grid cell都会预测B个Bounding Box 去进行物体的框定和分类；在论文里B=2，那么一图像预测7x7x2=98个预测框；
  3. 每个预测框包含有4个边框的值和1个的置信度，如：(x，y，w，h，confidence)；
  4. 预测出来相同物体有重复的边框，利用NMS (非极大值抑制) 算法得到最后的final detections。 

（二）网络结构

如下图：

输入图像为448x448，输出特征图大小为7x7x30； 

（三）输出7x7的理解

        特征图7x7映射至原图，即图像被分成7×7个网格(grid cell)；映射关系如下图：

        如果GT物体的中心落在某个网格中，则这个网格就负责预测这个物体；

（四）输出维度30的理解

（1）每个网格使用B（B=2)个Bbox进行回归预测，共产生5个值；

        A.置信度confidence，包含物体的可能性大小；

        B.回归坐标(x,y,w,h)；

（2）每个网格还要预测C个类别概率，以判断当前cell属于哪个类别C；因此1个网格的输出维度是(5×B+C)，S×S个网格就输出就是S × S×(5×B+C)。

 论文：B=2,VOC有20个类别，那么网络输出维度就是5x2+20=30。

（五）一次预测98个框

 如下图：

（1）图像被划分成7×7，可知产生的特征图大小为7×7，因此S=7；

（2）真实的人物体中心落在黄色网格，使用黄色网格预测分类人；黄色网格产生了2个蓝色的Bbox用来回归预测，因此B=2；

（3）每个Bbox的检测结果会包含有关人的置信度和回归坐标信息；

（4）黄色网格会使用softmax进行分类预测，如果使用VOC数据集C=20。

最终，根据公式可得输出维度5×B+C=30，即输出特征图7×7×30；预测框的个数7×7×2=98。

（六）对98个预测框处理

使用NMS算法对预测框进行处理，最后保留最优的预测框：

（七）回归坐标xywh

如下图：

实际Bbox框的预测结果包含(xc， yc ，wbox，ℎbox)：

  1. xc是预测框的中心点相对于原图的横坐标；
  2. yc是预测框的中心点相对于原图的纵坐标；
  3. wbox是预测框的宽度；
  4. ℎbox是预测框的高度。

回归坐标的目的是将坐标映射到0-1之间，方便计算损失；有如下要求

  1. x，y是相对于当前网格的偏移值，范围是0~1；
  2. w，h是归一化（分别除以图像的W和H）的结果，范围是0~1；

（八）训练样本标签

训练样本的标签理解：

四、总结

        Yolov1是单目标检测的开创者，相比较RCNN等两阶段系列，预测速度上有天然的优势，就是检测速度快。但是也存在许多缺点：

  1. YOLO对相互靠的很近的物体，还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
  2. 对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。
  3. 由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。

http://chatgpt.dhexx.cn/article/o2iKHcED.shtml

相关文章

yolo-目标检测算法简介

yolo-目标检测算法简介

一 简单概念 机器视觉的四大任务 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标. 检测-Detection：解决“是什么？在哪里？”的问题，即定位出…
阅读更多...
目标检测算法发展历程

目标检测算法发展历程

这里的图片是从b站同济子豪兄的【精读AI论文】 R-CNN深度学习目标检测算法 处截图的， 在这算是个记录吧，同时立个小小的flag，尽量在硕一结束前都搞明白是干啥的吧（希望能坚持住 ：） 在这也小推一下子豪兄&a…
阅读更多...
YOLOv5目标检测算法——通俗易懂的解析

YOLOv5目标检测算法——通俗易懂的解析

目录 YOLOv5目标检测算法前沿一.网络结构1.1.Backbone1.2.Neck1.3.Head二.数据增强2.1.Mosaic2.2.Copy paste2.3.Random affine2.4.Mixup2.5.Albumentation2.6.Augment HSV2.7.Random horizontal flip 三.训练策略3.1.Multi-scale training3.2.Auto anchor3.3.Warmup and Cosin…
阅读更多...
目标检测算法(YOLOv3)

目标检测算法(YOLOv3)

目标检测算法(YOLOv3) YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类. 论文题目：YOLOv3: An Incremental Improvement 主干网络 YOLOv3提出了新的主干网络: Darknet…
阅读更多...
最新目标检测算法回顾2022笔记

最新目标检测算法回顾2022笔记

目标检测算法回顾2022笔记[附PPT] 总目录篇章1：目标检测的应用与需求篇章2：目标检测的定义与挑战篇章3：目标检测损失函数的进展篇章4：目标检测IOU的发展历程篇章5：目标检测评价指标及数据集[篇章6： 目标检测…
阅读更多...
目标检测算法——YOLOV7——详解

目标检测算法——YOLOV7——详解

1、主要贡献 主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器。 当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法&#xff1…
阅读更多...
3D点云目标检测算法综述

3D点云目标检测算法综述

一、概述 在3D点云目标检测领域，对于数据输入的处理一般有三种： 多视角。将三维点云投射到多个二维平面形成图像 体素，voxel，将三维点云切割成多个小块，这些小块就叫体素，类似像素。这是最自然的一种想法…
阅读更多...
传统目标检测算法

传统目标检测算法

目标分类：给一张图片，分类 目标检测：给一张图片，找到目标，并用矩形框画出 分类是对一幅图整体，检测是更进一步，找出一幅图中一部分。一般检测以分类为基础， 目标检测就是找出图像中…
阅读更多...
目标检测算法基础

目标检测算法基础

人脸检测算法综述 0 前言1 人脸检测算法难点2 人脸检测算法流程2.1 选择检测窗口2.2 提取图像特征2.3 设计分类器2.3.1 AdaBoost2.3.2 SVM分类器2.3.3 决策树与随机森林 3 人脸检测算法3.1 传统的人脸检测算法3.2 深度学习3.2.1 基于候选框的二阶段检测算法3.2.2 直接预测结果框…
阅读更多...
目标检测算法回顾之传统算法

目标检测算法回顾之传统算法

传统的目标检测算法 总体回顾基于特征基于分割 一般流程经典算法HarrAdaboost流程Harr特征Adaboost算法 HOG SVM概述方法HOG特征的优缺点 DPMDPM特征DPM流程 DPM vs HOG 总结 说明：本文仅供学习 虽然传统的目标检测方法现在比较少用，但我们认为有必要了…
阅读更多...
目标检测算法发展综述

目标检测算法发展综述

目标检测算法 一、目标检测算法二、目标检测算法存在的问题三、目标检测算法的基本流程四、传统的目标检测算法 1.Viola-Jones（VJ人脸检测算法）2.HOG SVM（行人检测，使用Opencv实现）3.DPM（物体检测&#xf…
阅读更多...
目标检测算法研究

目标检测算法研究

1、目标检测基本介绍 1.1、项目结构 1.2、目标检测的算法分类 1.2.1两步走的目标检测：先进行区域推荐、而后进行目标分类 代表算法 ：R-CNN、 SPP-net、Fast-R-CNN、Faster R-CNN 1.2.2、端到端的目标检测：采用一种网络一步到位 代表&#x…
阅读更多...
目标检测算法分类

目标检测算法分类

目标检测算法分类： 1、两步走的目标检测：先找出候选的一些区域，再对区域进行调整分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 2、端到端的目标检测：采用一个网络一步到位，输入图片，输…
阅读更多...
目标检测算法

目标检测算法

目标检测算法 一、目标检测算法二、目标检测算法存在的问题三、目标检测算法的基本流程四、传统的目标检测算法1.Viola-Jones（VJ人脸检测算法）2.HOG SVM（行人检测，使用Opencv实现）3.DPM（物体检测&#xff…
阅读更多...
目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 转自：七月在线实验室 一、目标检测常见算法 object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解…
阅读更多...
目标检测算法总结

目标检测算法总结

一、基于候选区域的目标检测器 滑动窗口检测器 根据滑动窗口从图像中剪切图像块，把图像块处理成固定大小。随后输入CNN分类器中，提取特征。最后使用SVM分类器识别种类，并且用线性回归器得到边框。 选择性搜索selective search 首先将每个…
阅读更多...
万字长文详解目标检测算法，超大超全(2022最新)

万字长文详解目标检测算法，超大超全(2022最新)

摘要 1 概述 2 目标检测回顾 2.1 two-stage 2.2 one-stage 3 目标检测配方 3.1 基础概念 3.1.1 损失函数 3.1.2 Anchor-based 和 Keypoint-based 3.1.3 NMS 3.2 目标检测中的挑战 4 目标检测中的Head 4.1 ThunderNet 4.2 You Only Look Once(YOLO) 4.3 Single Sh…
阅读更多...
常见经典目标检测算法

常见经典目标检测算法

1、目标检测基本概念 1.1 什么是目标检测 目标检测(Object Dectection)的任务是找出图像中所有感兴趣的目标（物体），确定他们的类别和位置。 1.2 目标检测要解决的核心问题 除图像分类外，目标检测要解决的核心问题是&#xff1a…
阅读更多...
目标检测的各种算法总结

目标检测的各种算法总结

这里是引用腾讯云博客文章：一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 文章目录 一、目标检测常见算法二、传统的目标检测算法2.1 从图像识别的任务说起2.2 物体检测（Object Detection） 三、候选区域/窗 深度…
阅读更多...
【NLP】预训练模型——GPT1

【NLP】预训练模型——GPT1

背景 废话不多说，先把三篇论文链接放出来：GPT1:Improving Language Understanding by Generative Pre-Training、GPT2:Language Models are Unsupervised Multitask Learners、GPT3:Language Models are Few-Shot Learners。李沐老师也在B站上放了介绍G…
阅读更多...
推荐文章

Copyright @ 2022~2023