[YOLO模型]（1）YOLO的介绍

最新推荐文章于 2025-06-19 14:39:59 发布

E-An居士

最新推荐文章于 2025-06-19 14:39:59 发布

阅读量1.2k

点赞数 39

CC 4.0 BY-SA版权

文章标签： YOLO 目标检测

本文链接：https://blog.csdn.net/zdx2585503940/article/details/147817619

文章目录

一、YOLO概述
- 1.核心思想
- 2.经典的检测算法
二、Map评估指标
- 1.含义
- 2.Map指标的计算过程
总结

一、YOLO概述

YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，由Joseph Redmon等人于2016年提出。它的主要特点是速度快且准确性高，非常适合用于实时目标检测任务。

YOLO将目标检测任务看作一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。这意味着YOLO只需要对图像进行一次前向传播，就可以同时预测多个边界框和它们的类别，从而大大减少了计算量。

1.核心思想

YOLO的核心思想是将图像划分为一个S×S的网格，每个网格负责预测中心落在该网格内的目标。每个网格会预测B个边界框以及这些边界框的置信度。置信度反映了边界框是否包含目标以及边界框的准确度。此外，YOLO还会为每个网格预测C个类别概率，这些概率表示了网格中包含属于某个类别的目标的条件概率。

此外，YOLO算法还采用了多尺度特征融合的技术，使得算法能够在不同尺度下对目标进行检测。相比于传统的目标检测算法，如R-CNN、Fast R-CNN和Faster R-CNN等，YOLO算法具有更快的检测速度和更高的准确率。这得益于其端到端训练方式和单阶段检测的特性，使其可以同时处理分类和定位任务，避免了传统方法中的多阶段处理过程。因此，YOLO算法广泛应用于实时目标检测和自动驾驶等领域。

2.经典的检测算法

在这里插入图片描述

one-stage：

优点：识别速度非常快，适合做实时检测任务
缺点：正确率相比较低

FLOPS：表示模型进行一次前向传播（即处理一张图像）所需要的浮点运算次数。它是一个衡量算法效率的关键指标，与模型的计算量和推断速度密切相关。

FPS：每秒可以处理的图像数量。

在这里插入图片描述
检测过程：输入一张图片，直接得到一张图片并且候选框框选出物体。

在这里插入图片描述

two-stage：

优点：正确率比较高，识别效果理想。
缺点：识别速度比较慢，通常达到 5 FPS。

两阶段目标检测器是一种先生成候选框，然后对候选框进行分类和回归的检测方法。这种方法主要包括两个阶段：

第一阶段：生成候选框。这通常通过一个类似于Selective Search或EdgeBoxes等区域提名算法来实现，该算法从输入图像中生成多个候选框。每个候选框都会经过一个CNN模型进行特征提取，然后通过分类器进行过滤，保留与目标物体更相似的候选框。

第二阶段：在保留的候选框上进行精细的分类和回归。这个阶段通常使用另一个CNN模型或类似SVM的分类器来进行分类和回归。对于每个候选框，可能需要预测物体的类别、位置和大小等。代表性的两阶段目标检测器包括R-CNN系列，以及其改进版本Fast R-CNN、Faster R-CNN和Mask R-CNN等。

在这里插入图片描述

二、Map评估指标

我们知道，在机器学习时对于结果的评估指标有：

分类：召回率、精确值以及准确值等等
回归：R方（决定系数）
聚类：轮廓系数

那么，现在对于YoLo算法得到的结果，是如何评估的呢？

使用Map指标来评估算法的性能。

1.含义

Map指标结合了精确率（Precision）和召回率（Recall），用于衡量模型在不同类别目标上的检测准确性和覆盖率。具体来说，Map指标通过计算每个类别的精确率-召回率曲线下的面积（Area Under the Precision-Recall Curve，AUC-PR），然后对所有类别的AUC-PR进行平均，得到Map分数。这个分数越高，表示模型的检测性能越好。