YOLO

参考文献

概念

YOLO (You Only Look Once) 是目前世界上最流行、应用最广泛的单阶段（One-Stage）实时目标检测算法系列。

与 SSD 类似，YOLO 也将目标检测任务重构为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率。但 YOLO 系列以其极致的速度和不断进化的精度著称，尤其是从 v3 版本开始，它成为了工业界和学术界的首选基准模型之一。

演变与里程碑

image-20260319061824787

早期奠基 (v1 - v2)

  • YOLO v1 (2016)：开山之作。速度极快，但定位精度较差，尤其是对小物体和密集物体的检测效果不佳。它将图像分为 7×7网格，每个网格只预测 2 个框。
  • YOLO v2 (YOLO9000, 2017)：引入了锚框 (Anchor Boxes) 机制（借鉴 Faster R-CNN），使用了更深的网络结构（Darknet-19），并提出了多尺度训练。Batch Normalization 的加入显著提升了收敛速度和精度。

成熟与爆发 (v3 - v5)

  • YOLO v3 (2018)：里程碑版本。
    • 骨干网络：使用 Darknet-53（引入残差连接）。
    • 多尺度预测：借鉴 SSD 和 FPN 思想，在三个不同尺度的特征图上进行预测，极大地提升了对小物体的检测能力。
    • 分类器：将 Softmax 改为独立的 Logistic 分类器，支持多标签分类（一个物体属于多个类别）。
  • YOLO v4 (2020)：集大成者。没有改变主干架构，而是系统性地整合了各种“技巧”（Bag of Freebies & Bag of Specials），如 Mosaic 数据增强、CmBN、SAM (Spatial Attention Module)、CIoU Loss 等，在速度和精度上全面超越 v3。
  • YOLO v5 (2020)：由 Ultralytics 公司发布（非原作者 Joseph Redmon）。
    • 工程化极致：首次将模型部署变得极其简单，支持 PyTorch 原生，内置自动锚框计算、超参数进化等。
    • 结构创新：引入了 Focus 结构（后期被替换）、CSPNet (Cross Stage Partial Network) 来减少计算量并增强梯度传播。
    • 虽然学术创新性有争议，但其易用性和生态完善度使其成为工业界落地最快的版本。

现代革新 (v6 - v10+)

  • YOLO v6 / v7 / v8：
    • YOLO v8 (2023)：Ultralytics 推出。最大的变化是Anchor-Free（无锚框）设计，简化了模型结构；解耦头（Decoupled Head）分离分类和回归任务；引入了新的损失函数。目前是最主流的通用版本。
    • YOLO v9 (2024)：提出了可编程梯度信息 (PGI) 和 辅助可逆分支 (GELAN)，旨在解决深度网络中的信息瓶颈问题。
    • YOLO v10 (2024)：清华大学团队提出。主打无NMS训练 (NMS-Free Training)，通过一致性双重分配策略，彻底消除了推理阶段的非极大值抑制（NMS）延迟，进一步提升了实时性。

网络架构

YOLO的核心架构是一个卷积神经网络（CNN），通常包括多层卷积、池化和全连接层。YOLOv1使用了一个简单的卷积网络，而后续版本（如YOLOv3、YOLOv4）则引入了更复杂的特征提取器（如Darknet-53、CSPNet）以提高检测精度。YOLOv1的架构如下：

image-20260319063028031

单阶段模型遵循特定的设计模式，即“骨干-颈部-头部”。然而，YOLOv1 中没有“颈部”的概念，只有骨干和头部。YOLOv1 的架构灵感来源于 GoogleNet，包含 24 个卷积层和两个全连接层。其中，前 20 个卷积层构成骨干，其余层连接到另外两个全连接层，作为检测头部。YOLOv1 没有使用 Inception 模块，而是在骨干中使用了一个 1×1 卷积层和 3×3 卷积层。这有助于在不降低空间维度的情况下减少通道数，从而显著降低参数数量。

工作原理

YOLO的工作原理基于将目标检测任务转化为一个回归问题。具体来说：

  1. YOLO模型将输入图像划分为S×S的网格，每个网格预测 (B) 个边界框坐标和与边界框相关的目标概率（objectness score），以及 (C) 个类别概率。(预测结果被编码为一个 S x S x ( B x 5 + C) 的张量。这也意味着每个网格单元只能预测一个物体。)
  2. 模型的输出是一系列边界框、类别标签以及对应的置信度分数。
  3. YOLO通过一次性处理整个图像，生成所有目标的检测结果，这种方法显著提高了检测速度。

对于边界框坐标，YOLO 预测边界框的中心 ((x, y)) 以及宽度 (w) 和高度 (h)。中心坐标相对于网格单元，因此范围在 0 到 1 之间；宽度和高度相对于图像尺寸，也在 0 到 1 之间。目标概率（objectness score）表示边界框内是否包含物体，其计算公式为:

p(Object)×IOUpredtruth p(\text{Object}) \times IOU_{\text{pred}}^{\text{truth}}

公式说明：

  • p(Object)p(\text{Object})：该网格单元包含物体的概率。
  • IOUpredtruthIOU_{\text{pred}}^{\text{truth}}：预测框与真实框的交并比（Intersection over Union, IoU）。
image-20260319063723506

由于检测头需要预测边界框坐标、目标概率（objectness score）以及物体类别，因此 YOLOv1 的损失函数分为三个部分：定位损失（localization loss）、置信度损失（confidence loss）和分类损失（classification loss）。

最近更新:
Contributors: klc407073648