目标检测：YOLOv1架构原理与损失函数全解析

标签：目标检测 YOLO 深度学习计算机视觉算法

摘要：在YOLO横空出世之前，目标检测领域一直被R-CNN系列（Two-stage）统治。YOLO（You Only Look Once）将检测任务巧妙转化为回归问题，实现了端到端的实时检测。本文将从核心思想、网络架构、7×7×30张量解构、独树一帜的损失函数设计等维度，带你彻底吃透YOLOv1。

在YOLOv1提出之前，经典的目标检测方法主要分为两类：

Two-stage（两阶段）：如R-CNN, Faster-RCNN。先生成候选区域（Region Proposals），再对候选区域进行分类和回归。优点是准确率高，缺点是速度极慢（通常只有5 FPS），无法满足实时性。
One-stage（单阶段）：如YOLO系列。摒弃了候选框生成步骤，直接通过一个神经网络输入图像，输出目标的类别和位置。YOLOv1在当年Titan X GPU上能达到惊人的 45 FPS。

YOLOv1将输入图像划分为 S×S 的网格（在V1中 S=7）。

核心规则 ：如果某个物体（Object）的中心点落在某个网格内，那么这个网格就负责预测这个物体。

每个网格单元需要预测：

输入图像经过CNN后，最终输出一个 7×7×30 的张量（Tensor）。

为什么是30？

参数含义：

(x,y)：预测框中心点相对于当前网格边界的偏移量，被归一化到 0∼1 之间。
(w,h)：预测框的宽高相对于整张图像宽高的比例，归一化到 0∼1。
confidence：置信度。计算公式为 Pr(object)∗IoUpredtruth。如果格子内有物体，Pr(object)=1，此时置信度就等于预测框和真实框的IoU；如果没有物体，置信度为0。

YOLOv1的网络结构借鉴了GoogLeNet，但做出了修改：

YOLOv1的损失函数非常具有艺术性，它试图让坐标、置信度、分类三个方面的误差达到完美平衡。损失函数分为三大块：

位置误差（坐标预测）：
- 对于 x,y 的预测：计算 (x−x^)2+(y−y^)2
- 对于 w,h 的预测：计算 √(w−w^)2+√(h−h^)2。
- 重点扩展：为什么开根号？ 对于大物体，预测框稍微大一点，在视觉上没什么影响；但对于小物体，同样的宽高误差会导致IoU剧烈下降。开根号可以拉平这种差异，让模型对小目标的坐标预测更加敏感。
- 权重系数：λcoord=5（放大坐标损失）。
置信度误差（Confidence）：
- 包含物体的框：(C−C^)2。
- 不包含物体的框：λnoobj∗(C−C^)2。
- 重点扩展：为什么要有 λnoobj？ 一张图最多只有几个物体，但 7×7×2=98 个预测框中，绝大多数都是没有物体的背景。如果不加限制，模型会倾向于把所有框的置信度都预测为0。因此设定 λnoobj=0.5，降低背景的损失权重。
分类误差：
- 只在包含物体的网格上计算：∑(p(c)−p^(c))2。