OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏！)

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：一文带你读懂YOLOv1~YOLOv11

可以和之前的文章江大白 | 目标检测YOLOv1-YOLO11，算法进化全记录（建议收藏！）_yolov5 江大白-CSDN博客结合来看。

YOLO （You Only Look Once） 是一系列实时对象检测机器学习算法。对象检测是一项计算机视觉任务，它使用神经网络对图像中的对象进行定位和分类。这项任务的应用范围很广，从医学成像到自动驾驶汽车。多种机器学习算法用于对象检测，其中一种是卷积神经网络 （CNN）。

    CNN 是任何 YOLO 模型的基础，研究人员和工程师使用这些模型执行对象检测和分割等任务。YOLO 模型是开源的，它们在该领域得到了广泛的应用。这些模型从一个版本到另一个版本都在改进，从而提高了准确性、性能和附加功能。本文将探讨整个 YOLO 家族，我们将从原始到最新开始，探索它们的架构、用例和演示。

YOLOv1

    在引入 YOLO 对象检测之前，研究人员使用了基于卷积神经网络 （CNN） 的方法，如 R-CNN 和 Fast R-CNN。这些方法使用两步过程来预测边界框，然后使用回归对这些框中的对象进行分类。这种方法速度缓慢且占用大量资源，但 YOLO 模型彻底改变了对象检测。当 Joseph Redmon 和 Ali Farhadi 于 2016 年开发第一个 YOLO 时，它通过新的增强架构克服了传统对象检测算法的大部分问题。

    最初的 YOLO 架构由 24 个卷积层和 2 个完全连接的层组成，其灵感来自用于图像分类的 GoogLeNet 模型。YOLOv1 方法在当时是第一个。

    网络的初始卷积层从图像中提取特征，而全连接层预测输出概率和坐标。这意味着边界框和分类都在一个步骤中进行。这个一步式流程简化了操作并实现了实时效率。此外，YOLO 体系结构还使用了以下优化技术。

• • Leaky ReLU 激活：Leaky ReLU 有助于防止“垂死的 ReLU”问题，即神经元在训练过程中可能会卡在不活跃的状态。

  • Dropout 正则化：YOLOv1 在第一个全连接层之后应用 dropout 正则化，以防止过拟合。

  • 数据增强

    如何工作的？

    YOLO 模型的本质是将对象检测视为回归问题。YOLO 方法是将单个卷积神经网络 （CNN） 应用于完整图像。此网络将图像划分为多个区域，并预测每个区域的边界框和概率。

    这些边界框由预测概率加权。然后，可以对这些权重进行阈值处理，以仅显示高分检测。

    YOLOv1 将输入图像划分为一个网格 （SxS），每个网格单元负责预测其内部对象的边界框和类概率。每个边界框预测都包含一个置信度分数，指示框中存在对象的可能性。研究人员使用交并比 （IOU） 等技术计算置信度分数，该技术可用于筛选预测。尽管 YOLO 方法新颖且速度很快，但它面临一些限制，如下所示。

• • 泛化：YOLOv1 难以检测在训练中无法准确看到的新对象。

  • 空间约束：在 YOLOv1 中，每个网格单元格只能预测两个框，并且只能有一个类，这使得它难以处理成群出现的小对象，例如鸟群。

  • 损失函数限制：YOLOv1 损失函数在小边界框和大边界框中处理错误的方式相同。大框中的小错误通常是可以的，但小错误对 IOU 的影响要大得多。

  • 定位错误：YOLOv1 的一个主要问题是准确性，它经常错误地定位对象在图像中的位置。

    现在我们已经介绍了 YOLO 的基本机制，让我们看看研究人员如何在下一个版本中升级此模型的功能。

YOLOv2