YOLO系列算法3.3.2核心思想解析：从理论到新手实践指南

1次阅读

没有评论

共计 1902 个字符，预计需要花费 5 分钟才能阅读完成。

在计算机视觉领域，目标检测一直是个重要课题。早期的检测方法主要基于手工特征（如 HOG、SIFT）和分类器（如 SVM）。这些方法虽然取得了一定效果，但存在以下问题：

特征表达能力有限
对目标形变和遮挡敏感
检测速度慢

后来出现的两阶段检测器（如 R -CNN 系列）通过区域提议 + 分类的思路大幅提升了精度，但仍存在计算量大、实时性差的问题。

YOLO（You Only Look Once）系列算法开创性地提出了单阶段检测思想，彻底改变了目标检测的范式。3.3.2 版本在保持实时性的同时，进一步优化了精度。

与传统方法不同，YOLO 将检测视为一个回归问题：

将图像划分为 S×S 的网格
每个网格负责预测固定数量的边界框
直接输出框的位置和类别概率

这种端到端的方式极大提升了检测速度。

YOLO3.3.2 采用了多尺度网格：

基础网格：13×13（用于检测大物体）
中等网格：26×26（检测中等物体）
精细网格：52×52（检测小物体）

这种设计显著提升了小目标检测能力。

YOLO 使用 anchor box 机制预测边界框：

每个网格预测多个 anchor box
预测值包括：中心点偏移、宽高缩放、置信度
使用 sigmoid 函数约束预测范围

这种设计提高了框的定位精度。

YOLO 的损失函数包含三部分：

定位损失（均方误差）
置信度损失（交叉熵）
分类损失（交叉熵）

通过加权组合实现端到端优化。

下面是用 PyTorch 实现的简化版 YOLO 检测头：

import torch
import torch.nn as nn

class YOLOLayer(nn.Module):
    """
    简化版 YOLO 检测头
    输入特征图尺寸：B×C×H×W
    输出预测张量：B×(5+num_classes)×H×W
    """
    def __init__(self, num_classes, anchors):
        super().__init__()
        self.num_classes = num_classes
        self.num_anchors = len(anchors)

        # 1×1 卷积调整通道数
        self.conv = nn.Conv2d(
            in_channels=256, 
            out_channels=self.num_anchors*(5+num_classes),
            kernel_size=1,
            stride=1,
            padding=0
        )

        # 初始化 anchor
        self.register_buffer('anchors', torch.tensor(anchors).float())

    def forward(self, x):
        # 获取特征图尺寸
        B, _, H, W = x.shape

        # 通过卷积得到预测
        pred = self.conv(x)

        # 调整形状：B×(A×(5+C))×H×W → B×A×H×W×(5+C)
        pred = pred.view(B, self.num_anchors, 5+self.num_classes, H, W)
        pred = pred.permute(0,1,3,4,2).contiguous()

        # 解构预测结果
        box_xy = torch.sigmoid(pred[..., 0:2])  # 中心点偏移
        box_wh = pred[..., 2:4]  # 宽高缩放
        box_conf = torch.sigmoid(pred[..., 4:5])  # 置信度
        box_cls = torch.sigmoid(pred[..., 5:])   # 类别概率

        # 生成最终预测
        return torch.cat([box_xy, box_wh, box_conf, box_cls], dim=-1)

YOLOv3.3.2 与其他主流检测器的对比：