CV案例解析：YOLO——从v1到v5

©作者 | 小欣

目标检测一直是计算机视觉的热门领域，它也具有丰富的应用场景，从无人驾驶到缺陷检测等等。

在YOLO诞生之前，目标检测领域热门的深度学习模型是R-CNN系列模型，这一类的模型被称之为二阶段模型（two-stage），其大致思路就是先找出可能含有物体的区域，进而再细致的找出这片区域内的物体是什么，在哪个位置。

这一类模型的特点就是准确率较高，但是速度较慢，难以做到实时检测。而这时候，YOLO V1应运而生，它的特点就是速度快，在牺牲部分模型性能的情况下，能做到实时检测。

YOLO直接从图片中去寻找可能存在物体的位置，因此也被称为单阶段模型（one-stage） 。

要想透彻了解YOLO系列模型的运行原理，需要从V1版本开始讲起，看作者如何迭代更新，一步步改良YOLO，在这个学习过程中，也能学到很多相关的目标检测知识。

YOLO V1

01 思路

YOLO V1发表在2016年，其作者是Joseph Redmon。YOLO V1的想法很朴素，但也很有效。

简单地说，它将一张图分成个网格，假设，即它将一张图分成了49个网格，不难想象，原图中每个物体的中心都在其中一个网格中。

因此，只需要让每个网格负责预测中心点落在当前网格中的物体。这在训练的时候是很容易办到的，因为我们已知每个物体的坐标。

通过这