【YOLO】入门基础知识和和基本概念笔记

本篇文章是初学YOLO整理的笔记，记录YOLO基础知识

---

前言

以下是对 YOLO 基础知识 的 超详细记录，涵盖从目标检测基础到 YOLO 核心概念的完整内容，每个关键点都清晰易懂。

---

一、目标检测基础

1. 目标检测的任务

目标检测需要完成以下两个任务：

1. 定位（Localization）：找到图像中物体的位置（用边界框表示）。
2. 分类（Classification）：判断物体属于什么类别（如猫、狗、人等）。

2. 核心概念

(1) 边界框（Bounding Box）

• 定义：矩形框，用于标定物体的位置。
• 两种表示方式：
  1. 绝对坐标：(x_min, y_min, x_max, y_max)
     • 左上角和右下角的像素坐标。
  2. 归一化中心坐标（YOLO 使用）：(x_center, y_center, width, height)
     • x_center = 中心点横坐标 / 图像宽度
     • y_center = 中心点纵坐标 / 图像高度
     • width = 框宽 / 图像宽度
     • height = 框高 / 图像高度
     • 所有值在 [0,1] 之间。
       

(2) 置信度（Confidence Score）

• 定义：模型对预测框内存在物体的信心程度，值在 [0,1] 之间。

• 公式：

  

  • P(Object)：预测框内有物体的概率。
  • IoU：预测框与真实框的交并比。

(3) IoU（交并比，Intersection over Union）

• 作用：衡量预测框与真实框的重合程度。

• 公式：
  

  • 如果 IoU > 0.5，通常认为预测框是正确的。
    

(4) 非极大值抑制（NMS，Non-Maximum Suppression）

• 问题：模型可能对同一物体预测多个重叠的边界框。
• 解决：保留置信度最高的框，抑制其他重叠框。
• 步骤：
  1. 按置信度从高到低排序所有预测框。
  2. 从最高置信度的框开始，移除所有与之 IoU 超过阈值（如 0.5）的框。
  3. 重复步骤 2，直到所有框被处理。
     

(5) mAP（平均精度，mean Average Precision）

• 定义：目标检测模型的核心评价指标，综合考虑精度（Precision）和召回率（Recall）。
• 计算步骤：
  1. 对每个类别，计算不同置信度阈值下的 Precision 和 Recall。
  2. 绘制 P-R 曲线，计算曲线下面积（即 AP）。
  3. 对所有类别的 AP 取平均，得到 mAP。

---

二、YOLO 核心原理

1. YOLO 的核心思想

• 核心口号：You Only Look Once（只看一次）。
• 特点：单阶段检测（One-Stage），将检测任务视为回归问题，直接在图像网格上预测边界框和类别概率。

2. YOLO 的通用流程

以 YOLOv3/YOLOv5 为例，流程如下：

1. 输入图像预处理：将图像缩放到固定尺寸（如 640×640）。
2. 特征提取：使用卷积神经网络（如 Darknet-53）提取多尺度特征图。
3. 多尺度预测：在不同尺度的特征图上预测边界框（小尺度检测大物体，大尺度检测小物体）。
4. 后处理：通过 NMS 筛选最终结果。
   

3. YOLO 的详细技术点

(1) 网格划分（Grid Cells）

• 将输入图像划分为 S×S 的网格（如 13×13）。
• 每个网格负责预测：
  • B 个边界框（Bounding Box）。
  • 每个边界框的坐标 (x, y, w, h) 和置信度（Confidence）。
  • C 个类别的概率（每个网格预测一次类别）。
    

(2) 锚框（Anchor Boxes）

• 定义：预先定义的一组边界框模板（如 (10×13), (16×30), ...），用于捕捉不同形状的物体。

• 作用：模型预测的是相对于锚框的偏移量，而不是直接预测绝对坐标，提升定位精度。

• 偏移量计算：
  

  • (c_x, c_y)：网格左上角坐标。
  • (p_w, p_h)：锚框的宽高。
  • (t_x, t_y, t_w, t_h)：模型预测的偏移量。
  • σ：Sigmoid 函数，将坐标约束在 [0,1]。
    

(3) 多尺度预测（Feature Pyramid）

• 目的：解决小物体检测难题。
• 方法：在不同层级的特征图上进行预测：
  • 高层特征图（分辨率低）：检测大物体。
  • 低层特征图（分辨率高）：检测小物体。

(4) 损失函数（Loss Function）

YOLO 的损失函数由三部分组成：

1. 边界框坐标损失（均方误差）：

2. 置信度损失（交叉熵）：

3. 类别损失（交叉熵）：
   

• λ 是权重系数，用于平衡不同损失项。

4. YOLO 的不同版本对比

版本	核心改进
YOLOv1	首次提出网格划分和直接回归预测框。
YOLOv2	引入锚框（Anchor Boxes）和批量归一化（BatchNorm）。
YOLOv3	多尺度预测、更深的网络（Darknet-53）、使用残差连接。
YOLOv4	引入 CSPDarknet、PANet、Mish 激活函数，优化训练策略。
YOLOv5	简化代码实现、优化数据增强、支持更灵活的部署。

---

三、YOLO 的数学推导

1. 边界框解码（从模型输出到实际坐标）

假设模型输出为 (t_x, t_y, t_w, t_h)，锚框尺寸为 (p_w, p_h)，网格左上角坐标为 (c_x, c_y)：

• 关键点：使用 Sigmoid 函数将 t_x, t_y 约束在 [0,1]，确保边界框中心位于当前网格内。

2. 置信度与类别概率

• 置信度通过 Sigmoid 函数输出，表示“框内有物体”的概率。
• 类别概率通过 Softmax 或独立的 Sigmoid 输出（YOLOv3 之后使用 Sigmoid 支持多标签分类）。

---

四、实战前的知识检验

1. 练习题

1. 计算 IoU

   • 真实框：(x1=10, y1=10, x2=50, y2=50)
   • 预测框：(x1=30, y1=30, x2=80, y2=80)
   • 求 IoU（答案：0.175）。

2. 解码边界框

   • 模型输出：t_x=0.3, t_y=0.4, t_w=0.2, t_h=0.1
   • 锚框尺寸：p_w=20, p_h=30
   • 网格左上角坐标：c_x=5, c_y=5
   • 求实际边界框坐标（答案：b_x=5.57, b_y=5.60, b_w=24.43, b_h=33.16）。

2. 思考题

• 为什么 YOLO 要使用锚框？
  答：锚框提供先验知识，帮助模型更高效地学习不同形状物体的位置偏移。

---

总结

以上内容对 YOLO 的基本概念、数学原理和实现细节进行初步总结。接下来可以开始动手配置环境并训练自己的模型了。