YOLO系列笔记（二）—— YOLO v1介绍

YOLO-V1

概述

YOLOv1（You Only Look Once版本1）作为经典的单阶段目标检测算法，其设计理念是将目标检测问题通过卷积神经网络（CNN）转化为回归问题，实现了对视频流的实时检测，并因其应用范围广泛而备受关注。与早期的深度学习网络相比，YOLOv1在模型推理速度上有显著的优势，尽管其平均精度（mAP）不如后来的两阶段（two-stage）网络高，但在速度上仍保持领先地位。

核心思路

YOLOv1的核心思想在于将输入的图像划分成多个格子（cells / grids），每个格子负责预测落在其中心点的物体。通过对图像中的物体预设若干框，并不断调整这些框的位置（x, y）和大小（w, h），以及计算框与真实物体之间的交并比（IOU）和置信度（confidence），YOLOv1旨在寻找最适合每个物体的框。具体到YOLOv1中，每个格子会初始化两个预测框，通过计算IOU和置信度来筛选非目标格子，这种方式简化了检测流程，提高了处理速度。

网络结构

YOLOv1的网络结构设计较为简约，输入层固定接收448x448x3的图像尺寸，这一设计受到网络后期全连接层限制的影响。通过一系列的卷积层提取特征图（feature maps），并经过全连接层处理，YOLOv1最终输出一个7x7x30的结果。这一输出代表将图像分为7x7的格子，每个格子对应30个输出值，包括两个预测框的位置、大小、置信度以及20个可能类别的概率。

数据结构解释

针对每个格子的30个值，其中10个值（每个预测框5个，共2个框）包含预测框的位置（x, y）、大小（w, h）以及框中物体存在的置信度（c）。剩余的20个值代表了该格子中物体属于20个类别中的哪一个的概率。这种数据结构允许YOLOv1同时对物体的位置和类别进行预测。

损失函数

YOLOv1的损失函数是其设计中的一个核心要素，因为它直接影响到网络学习的效果，包括如何准确地定位物体和预测其类别。这个损失函数由几个不同的部分组成，用以评估不同类型的预测误差，并通过它们的和来指导模型的训练。以下是损失函数的详细分解和解释：

1. 位置误差（Bounding Box Prediction）

位置误差反映了预测的边界框（bounding boxes）与真实边界框之间的差异。YOLOv1对每个边界框的中心坐标（x, y）和尺寸（w, h）进行预测。误差计算使用的是预测值与真实值之间的平方差。为了平衡不同尺寸物体的影响，对宽度w和高度h的预测使用了平方根，因为较大物体的尺寸误差对损失的贡献应小于较小物体的尺寸误差。这样整个损失函数不会被大物体所操纵。若不采用根号计算，那么大物体的损失要比小物体损失大很多，那么这个损失函数会对大物体比较准确而忽略了小物体。这部分的损失函数可以表达为：
$${\lambda }_{\text{coord}}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{\text{obj}}[(x_i-{\hat{x}}_i$$