YOLOv1 核心结构解析

YOLOv1 核心结构解析

这张图展示了原始 YOLOv1 的完整网络结构，它是一个单阶段目标检测模型，将目标检测任务转化为一个单一的回归问题，直接从图像中预测边界框和类别概率。

---

1. 网络整体流程

YOLOv1 的网络可以分为三个主要部分：

1. 卷积主干网络 ：提取图像特征，将输入图像从 448×448×3 压缩为 7×7×1024 的特征图。
2. 全连接层 ：将 7×7×1024 的特征图展平为一维向量，通过全连接层进行最终预测。
3. 输出层 ：输出一个 7×7×30 的张量，代表在 7×7 的网格上，每个网格预测 2 个边界框和对应的类别。

---

2. 逐层拆解（从左到右）

模块	操作	输入尺寸	输出尺寸	核心作用
Conv1	7×7×64-s-2 + MaxPool(2×2-s-2)	448×448×3	112×112×64	初步提取特征，大幅降采样
Conv2	3×3×192 + MaxPool(2×2-s-2)	112×112×64	56×56×192	加深网络，继续降采样
Conv3	1×1×128 → 3×3×256 → 1×1×256 → 3×3×512 + MaxPool(2×2-s-2)	56×56×192	28×28×512	交替使用1×1和3×3卷积，压缩并丰富特征
Conv4	(1×1×256 → 3×3×512)×4 + MaxPool(2×2-s-2)	28×28×512	14×14×1024	重复4次"1×1+3×3"结构，提取深层特征
Conv5	(1×1×512 → 3×3×1024)×2 → 3×3×1024-s-2	14×14×1024	7×7×1024	重复2次"1×1+3×3"结构，最后一次卷积降采样到7×7
Conv6	3×3×1024 ×2	7×7×1024	7×7×1024	进一步提取特征，保持尺寸不变
FC	全连接层	7×7×1024	4096 → 30	将特征图展平，回归出最终检测结果

---

3. 关键设计思想

• 单阶段检测：不像两阶段检测器（如Faster R-CNN）先生成候选区域，YOLOv1 直接在一个网络中完成所有预测，速度更快。
• 网格划分 ：将输入图像划分为 7×7 的网格。如果一个目标的中心落在某个网格内，该网格就负责检测这个目标。
• 统一输出 ：最终输出 7×7×30 的张量，其中：
  • 7×7：网格数量。
  • 30：每个网格预测 2 个边界框（每个框包含 x, y, w, h, confidence 共5个参数），以及 20 个类别概率，总计 2×5 + 20 = 30 维。

---

4. 与改进版 YOLOv1 的对比

特性	原始 YOLOv1	改进版 YOLOv1
主干网络	自定义24层卷积	ResNet-18
颈部网络	无	SPP/SPPF
检测头	全连接层	双分支解耦卷积检测头
输出特征图	7×7×30	13×13×(1+Nc+4)
优势	速度快，结构简单	精度更高，对小目标更友好