---

一、YOLOv1 核心思想

1. 核心思想

YOLOv1（You Only Look Once version 1）将目标检测任务视为一个端到端的回归问题。其核心思想是：将输入图像划分为 S×S 个网格单元（grid cell），如果某个目标的中心点落在某个网格内，则该网格负责预测该目标。

在 YOLOv1 中，图像被划分为 7×7 = 49 个网格，每个网格负责检测其区域内的目标。

2. 示例说明

以上图为例，YOLOv1 将输入图片划分为 7×7 的网格，每个网格允许预测 2 个边界框（bounding box），这些边界框的尺寸可以超出当前网格的边界范围。

对于每个边界框，YOLOv1 预测 5 个参数：

• 中心点坐标：x, y（相对于网格边界的偏移量）
• 宽度与高度：w, h（相对于整张图像的尺寸比例）
• 置信度（Confidence）：反映该框内包含目标的信心程度以及定位的准确度

3. 网络结构与流程图解析

网络结构组成

YOLOv1 的网络结构主要由以下部分组成：

• 24 个卷积层：用于提取图像特征
• 2 个全连接层：用于输出最终的预测结果

输入与输出

项目	规格
输入	448 × 448 × 3（彩色图像）
输出	7 × 7 × 30（张量）

输出张量含义

• 7 × 7：表示将输入图片划分成 7×7 个网格，每个网格负责检测其区域内的目标。
• 30：表示每个网格的预测信息，包含：
  • 20 个类别概率（以 PASCAL VOC 数据集为例，共 20 个类别）
  • 2 个边界框信息（每个边界框包含 x, y, w, h, confidence，共 5 个参数 × 2 = 10 个值）

坐标归一化说明

• 中心点坐标 x, y：相对于所在网格的边界进行归一化，取值范围 [0, 1]。
• 宽度 w 和高度 h：相对于整张图像的宽度和高度进行归一化，取值范围 [0, 1]。

二、YOLOv1 损失函数详解

YOLOv1 的损失函数由三部分组成：位置误差、置信度误差和类别概率误差。

1. 位置误差（Localization Loss）

位置误差用于衡量预测边界框与真实边界框在位置和尺寸上的偏差。

计算公式要点：

• S² 表示网格数量（YOLOv1 中为 7² = 49）
• B 表示每个网格预测的边界框数量（YOLOv1 中为 2）
• 𝟙_{ij}^{obj} 表示：若第 i 个网格的第 j 个边界框负责预测目标，则值为 1，否则为 0
• 坐标 x, y 和尺寸 w, h 的误差分别计算，并可根据需求设置不同的权重系数

权重说明：如果认为位置误差更重要，可以将对应的权重系数设置得更大；反之亦然。

2. 置信度误差（Confidence Loss）

置信度表示边界框内包含目标的概率以及定位的准确度，计算公式为：

Confidence = Pr(Object) × IoU

其中：

• Pr(Object)：边界框内存在目标的概率（存在为 1，不存在为 0）
• IoU：预测框与真实框的交并比（Intersection over Union）

损失计算：

• 对于负责预测目标的边界框（𝟙_{ij}^{obj} = 1）：计算预测置信度与真实置信度（即 IoU）之间的误差
• 对于不负责预测目标的边界框（𝟙_{ij}^{noobj} = 1）：同样计算误差，但通常给予较小的权重，以平衡正负样本

3. 类别概率损失（Classification Loss）

类别概率损失用于衡量预测的类别分布与真实标签之间的差异。

计算公式要点：

• 𝟙_{i}^{obj} 表示：若第 i 个网格包含目标，则值为 1，否则为 0
• p_i(c) - \hat{p}_i(c)：预测类别概率与真实标签（One-Hot 向量）之间的差值

示例：若模型输出 20 个类别的概率值，真实标签为"狗"（对应索引位置为 1，其余为 0），则只计算"狗"这一类别上的误差平方。

三、NMS 非极大值抑制

1. 概念

在目标检测过程中，模型通常会生成大量候选框（YOLOv1 中每个网格生成 2 个，总共 98 个候选框）。这些候选框之间可能存在重叠或包含关系，导致同一个目标被多次检测。

非极大值抑制（NMS，Non-Maximum Suppression） 的作用就是筛选出最佳的目标框，去除冗余的重复检测。

如上图所示，同一个人脸被多个候选框检测到，导致框与框之间严重重叠。NMS 会保留置信度最高的框，抑制其他重叠度较高的框。

2. 执行步骤

1. 排序：根据置信度得分对所有候选框进行降序排列。
2. 选取最高分框：选择得分最高的候选框，将其加入最终保留列表。
3. 计算重叠度：计算当前选中框与其他所有候选框的 IoU（交并比）。
4. 抑制冗余框：若 IoU 超过设定的阈值（如 0.5），则将该候选框移除。
5. 迭代处理：重复步骤 2~4，直到所有候选框都被处理完毕。

四、YOLOv1 优缺点分析

1. 优点

优点	说明
检测速度快	YOLOv1 专为实时目标检测设计，推理速度可达每秒数十至上百帧，远超同期算法（如 R-CNN）
端到端训练	将目标检测视为单一的回归问题，直接在全局上预测类别和位置，无需复杂的候选区域生成和后处理
多尺度预测	训练和测试阶段均对不同尺度的图像进行处理，通过网格划分和多边界框设计，适应不同尺寸的目标
网络结构简单	由 24 个卷积层和 2 个全连接层组成，结构清晰，易于实现和部署

2. 缺点

缺点	说明
小目标检测效果差	输入图像为 448×448，输出特征图仅为 7×7，下采样倍率较大，容易丢失小目标的特征信息，导致漏检或误检
网格限制	每个网格只能预测 2 个边界框且只能识别 1 个类别，在处理密集目标或多类别重叠场景时能力不足
定位精度有限	对于细长形目标或边界框与网格不对齐的情况，定位准确度不如基于锚点（Anchor）的方法