YOLO V1 V2算法总结

1.YOLO（You Only Look Once）v1算法是一个单阶段目标检测模型

它的关键思想是将目标检测问题转化为回归问题，通过一次前向传递同时预测多个边界框和类别概率。

1.1. 网络结构

YOLO v1使用一个单一的卷积神经网络（CNN）来同时预测多个边界框和这些框内的类别概率。网络的输入是一个固定大小的图像（例如448x448），输出是一个SxSx(B*5 + C)的张量，其中：

• SxS 是将输入图像划分成的网格单元数（通常为7x7）。
• B 是每个网格单元预测的边界框数量（通常为2）。
• 5 表示每个边界框的5个参数（x, y, w, h, confidence）。
• C 是类别的数量。

1.2. 网格划分

YOLO v1将输入图像划分为一个SxS的网格，每个网格单元负责检测该单元内的对象。每个网格单元预测B个边界框和这些框的置信度（confidence），以及C个类别概率。

1.3. 预测

每个边界框预测5个参数：

• (x) 和 (y)：边界框中心相对于网格单元的位置。
• (w) 和 (h)：边界框的宽度和高度，相对于整个图像的归一化值。
• 置信度（confidence）：边界框包含对象的置信度分数，计算方式为：
  $$\text{confidence}=P(\text{object})\times \text{IOU}(\text{pred},\text{truth})$$
  其中，$P(\text{object})$表示该网格单元内存在对象的概率，$\text{IOU}(\text{pred},\text{truth})$是预测边界框和真实边界框之间的交并比。

1.4. 损失函数

YOLO v1的损失函数包括三个部分：

• 边界框位置误差（x, y, w, h）的平方差。
• 边界框置信度误差（confidence）的平方差。
• 分类误差（类别概率）的平方差。

公式如下：
Loss = λ coord ∑ i = 0 S 2 ∑ j = 0 B 1 i j obj [ ( x i − x ^ i ) 2 + ( y i − y ^ i ) 2 + ( w i − w ^ i ) 2 + ( h i − h ^ i ) 2 ] + ∑ i = 0 S 2 ∑ j = 0 B 1 i j obj ( C i − C ^ i ) 2 + λ noobj ∑ i = 0 S 2 ∑ j = 0 B 1 i j noobj ( C i − C ^ i ) 2 + ∑ i = 0 S 2 1 i obj ∑ c ∈ classes ( p i ( c ) − p ^ i ( c ) ) 2 \text{Loss} = \lambda_{\text{coord}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbf{1}_{ij}^{\text{obj}} \left[ (x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 + (w_i - \hat{w}_i)^2 + (h_i - \hat{h}_i)^2 \right] + \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbf{1}_{ij}^{\text{obj}} (C_i - \hat{C}_i)^2 + \lambda_{\text{noobj}} \sum_{i=0}^{S^2} \sum_{j=0}^