当前位置：首页 > web >正文

【YOLOv1】

web 2025/8/3 2:52:02

最后输出7*7*30怎么来的

yolov1的作者，把输入的图像，分成7*7个格子

每个小格子需要预测两个边界框2----->一共98个边界框

每一个边界框包含了[【坐标位置xywh+置信度】5个值 2*5 = 10

每个格子中的俩边界框，只能预测同一类别的结果，因为作者选择VOC数据集做实验，所有是20个类别

最终 7*7*30 = 7*7（2*5+20）

每一个格子只会预测某个物体中心点在这个格子上的物体，且同一个格子只会预测同一个类别物体

(上课要说！）

Fast YOLO 是减少部分网络层数 9层

核心思想

YOLOv1 采用的是将一张图片平均分成为 S x S 的网格（论文中的设置是 7 x 7），每个网格分别负责预测中心点落在该网格内的目标
- 每个网格的大小取决于输入图像的分辨率（如 448×448，则每个网格约为 64×64 像素）
- 每个网格负责检测中心点落在该网格内的目标【只有当目标的中心点坐标落在某个网格中时，该网格才负责预测该目标】

YOLOv1 算法思想步骤如下：

将图像划分为 S x S 的网格（论文中的设置是 7 x 7 的网格）。如果某个物体的中心落在这个网格中，那么这个网格就负责预测这个物体
然后每个网格预测 B 个边框（论文中的设置是 2 个边框），即预测出 7 x 7 x 2 个边框，每个边框都要预测（x,y,w,h）+ confidence

项目	含义
x, y	边界框中心点相对于该网格左上角的偏移量（归一化到 [0, 1]）
w, h	边界框的宽和高，相对于整张图像的宽高进行归一化
confidence	该边界框的置信度，表示框中存在目标的可能性（confidence = Pr(Object) × IoU）

除了边界框信息，每个网格还会预测 C 个类别概率（C 是类别数量，如 VOC 数据集为 20 类），这些概率是基于网格的，也就是说：不管预测几个边界框，每个网格只预测一套类别概率
最终输出的边界框类别概率 = 网格类别概率 × 边界框置信度
总体而言，S x S 个网格，每个网格要预测 B 个边框，还要预测 C 个类。输出的维度是 S x S x (5 x B + C)，对于 VOC 数据集来说，最后输出就是 7 x 7 x (5 x 2 + 20)，即 7 x 7 x 30

4、网络结构和预测结合

7 × 7：把图片分成7 × 7，共 49 个网格
30：每个网格有 30 个参数：20 +2 × (1+4) = 30
每个网格单元还预测 C 个条件类别概率 Pr(Classi|Object)。这些概率以包含目标的网格单元为条件。每个网格单元只预测的一组类别概率，而不管边界框的的数量 B 是多少
参数归一化
- x、y 是相对于网格单元边界框的中心坐标，归一化到 0 到 1 之间
- w、h 是 bb 相对于图片宽高的比例，归一化到 0 到 1 之间

5、损失函数了解

YOLOv1 中的损失函数=定位损失+置信度损失+分类损失

1 预测的中心点和实际的中心点的损失（一般不开方是避免损失

2 开根号：小目标不受大目标的影响

公式解释：
是一个权重系数，用于平衡坐标损失与其他损失项，论文中设置的值为 5
S^2表示有多少个 grid，
B 表示框的个数，在 YOLOv1 中是 2 种，即 B 为 2
obj 表示有物体时的情况
noobj 表示没有物体时的情况
i j 表示第 i 个的第 j 个框
1_{ij}^{obj}是一个指示函数，当某个边界框负责某个对象时为 1，否则为 0
x_i和y_i表示实际的坐标，表示预测的坐标
w_i和h_i表示实际的宽高，表示预测的宽高
C_i表示实际的置信度分数（C_i=Pr(obj)*IoU），\hat{C_i}表示预测的置信度分数
一个较小的权重系数，用来减少无对象区域的置信度损失的影响，论文中设置的值为 0.5
是一个指示函数，当某个边界框负责某个对象时为 0，否则为 1
p_i(c)是第 i 个网格单元格中对象的真实类别分布，\hat{p_i}(c)是预测的类别概率分布

5.1 公式解读

公式部分非常规操作详解：
- 关于开根号：如果直接对 w 和 h 做 MSE，大框的误差会远大于小框，导致模型更关注大目标，使用平方根可以缓解这种尺度不均衡问题，使得小目标和大目标在损失中权重更均衡
- 关于 S 的平方以及 i 和 j
- 关于权重系数
- 关于 noobj

6、NMS处理

7、算法性能对比

Fast R-CNN：
- Correct：71.6%的检测结果是正确的
- Loc：8.6%的错误是由于定位不准确
- Sim：4.3%的错误是由于相似类别的误分类
- Other：1.9%的错误是由于其他原因。
- Background：13.6%的错误是将背景误判为对象
YOLO：
- Correct：65.5%的检测结果是正确的
- Loc：19.0%的错误是由于定位不准确
- Sim：6.75%的错误是由于相似类别的误分类
- Other：4.0%的错误是由于其他原因
- Background：4.75%的错误是将背景误判为对象