YOLO系统——yolov1工作原理

1. YOLOv1 的核心定位与输入输出逻辑

YOLOv1 是首个成功的一阶段目标检测模型，与 R-CNN 等两阶段模型的核心区别在于：它无需先通过区域提议（Region Proposal）生成候选框，而是直接对整幅图像进行一次推理即可完成目标检测。具体而言，YOLOv1 将输入图像均匀划分为 S×S 个网格（如 7×7），每个网格负责检测 “中心落在该网格内” 的目标。训练前，需对标注数据进行预处理，将每个目标的坐标转换为相对于所在网格的归一化值（范围 [0,1]），最终每个目标的真实标签包含：

• 目标中心相对于网格的偏移量（x,y）
• 目标宽高相对于整幅图像的比例（w,h）
• 置信度（confidence，反映目标存在的概率及预测框的准确性）
• 类别概率（对应数据集中的类别，如 VOC 的 20 类）

模型的输出是一个 S×S×(B×5 + C) 的张量（B 为每个网格预测的边界框数量，YOLOv1 中 B=2；C 为类别数），包含每个网格的 B 个边界框参数（每个框 5 个值：x,y,w,h,confidence）和 C 个类别概率。

2. 模型的网络结构设计

YOLOv1 的网络结构由 24 个卷积层和 2 个全连接层组成，卷积层的核心参数包括：

• 输入 / 输出通道数：输入通道数与上一层输出匹配（如 RGB 图像初始为 3 通道），输出通道数由人工设定（通常随网络加深递增，如 16→32→64），通道数越多可学习的特征越丰富，但计算量也越大。
• 卷积核大小、步长、padding：卷积核常用 3×3，通过步长（stride）和填充（padding）控制输出特征图尺寸，计算公式为：out_size = floor((in_size - kernel_size + 2×padding) / stride) + 1 
• 池化层：通过 2×2 最大池化（步长 2）降低特征图尺寸（如 448→224→112...），既减少计算量，又扩大感受野（单个像素对应原始图像的区域）。

最终通过全连接层将特征映射为 7×7×30 的输出张量（B=2、C=20 时，2×5+20=30）。

3. 模型训练过程

训练过程通过多轮迭代（epochs）优化模型参数，核心步骤包括：

1. 数据加载：使用 DataLoader 按批次读取图像和标注信息，每个批次包含多张图像及对应的真实标签。
2. 前向传播：将图像输入模型，得到预测输出（7×7×30 张量）。
3. 损失计算：通过 YOLO 特有的损失函数计算预测值与真实值的差异，包含三部分：
   • 边界框坐标损失（x,y,w,h 的误差）
   • 置信度损失（目标存在 / 不存在的误差）
   • 类别概率损失（分类误差）
4. 反向传播与参数更新：通过梯度下降（如 SGD）反向传播损失，更新网络权重，最小化损失值。

训练终止条件通常是固定迭代次数（epochs），或损失值在验证集上连续多轮不再下降（早停策略）。“损失值大于平均损失值时停止” 的表述不准确，因为损失波动是正常的，需结合验证集性能判断。

4. 模型权重的保存

训练结束后，可保存模型的权重参数供后续预测使用。在 PyTorch 中，标准做法是通过 torch.save() 保存状态字典：torch.save(model.state_dict(), 'best.pt')

5. 预测与后处理

使用训练好的模型进行预测时，需对输出张量做后处理，步骤包括：

1. 解析输出：将 7×7×30 张量转换为每个边界框的绝对坐标（反归一化）、置信度和类别概率。
2. 置信度过滤：设置置信度阈值（如 0.5），过滤掉低置信度的预测框，减少冗余。
3. 非极大值抑制（NMS）：对同一类别的预测框，计算交并比（IOU），当 IOU 大于阈值（如 0.5）时，保留置信度最高的框，移除重叠的冗余框。
4. 可视化：在图像上绘制筛选后的边界框，并标注类别和置信度。