基于深度学习的经典与前沿目标检测算法

目标检测算法两大流派

当前，基于深度学习的目标检测算法主要分为两大主流方向：

• 两阶段（two-stage）算法：先提取候选区域，再对候选区域进行CNN分类（如RCNN系列）
• 单阶段（one-stage）算法：直接在图像上应用网络，同时输出类别和位置信息（如YOLO系列）

本文将带你深入剖析单阶段算法的经典代表——YOLO（You Only Look Once），从原理到网络结构，从输入输出到损失函数，逐步拆解其核心设计。

1 YOLO算法的提出

在图像识别与目标定位任务中，输入一张图片，需要输出图像中包含的各个对象以及每个对象的具体位置（通常用矩形框标识）。

对象识别与定位可以拆解为两个子任务：首先找到图像中可能存在对象的区域，然后识别该区域中的具体对象。对于对象识别任务（即一张图片只包含一个对象且几乎占满整个画面），近年来基于CNN卷积神经网络的方法已经取得了不错的精度。因此，核心难点在于“对象在哪里”。

最直观的思路是遍历图像中所有可能的位置，以不同尺寸、宽高比和位置进行地毯式搜索，逐一检测每个区域是否包含对象，最后选出概率最大的结果。但这种方法的计算效率极低。

RCNN开创性地引入了候选区域（Region Proposals）机制，先通过选择性搜索（Selective Search）从图像中提取约2000个候选区域，再对每个候选区域进行对象识别。总体而言，RCNN系列仍属于两阶段处理模式：先提取候选区域，再识别区域中的对象，显著提升了检测效率。但RCNN的速度依然较慢，处理一张图片约需49秒。随后出现的Fast RCNN和Faster RCNN不断优化网络结构与候选区域算法，Faster RCNN已将处理速度提升至每张图约0.2秒。

小提示：即使发展到Faster R-CNN，单张图片的检测速度也仅约7fps（原文为5fps），仍然难以满足实时应用场景的需求。

为了让目标检测能够应用于实时环境，YOLO应运而生。

2 算法的简介

YOLO意为You Only Look Once，创新性地将候选区域提取与对象识别合并为一个步骤，仅需“看一眼”图片就能同时输出所有对象及其位置。

实际上，YOLO并未完全抛弃候选区域，而是采用了预定义的网格（grid）作为预测单元。它将图片划分为 7×7=49 个网格，每个网格允许预测 2个 边框（bounding box），共计 49×2=98 个bounding box。这些粗略的网格覆盖了整个图像区域，可以看作是98个候选区域。

RCNN虽然能提取候选区域，但识别出对象后还需要对候选区域进行微调（即边框回归），使其更接近真实边界框。既然最终都要调整，不如直接预设一个大致区域，然后一次性完成回归——YOLO正是基于这一思路。

小提示：边框回归之所以有效，是因为分类信息本身隐含了位置线索。例如，看到猫的脸和身体，就能大致推断出耳朵和尾巴的位置。

3 算法的结构

去掉显式的候选区域提取步骤后，YOLO的网络结构变得非常简洁：主要由卷积层和池化层构成，最后接两个全连接层。从架构上看，它与普通的CNN分类网络并无本质区别，最大的不同在于输出层使用了线性激活函数，因为需要预测bounding box的坐标（连续数值），而不仅仅是类别概率。

简单而言，YOLO的整个流程就是：输入图像经过神经网络变换，直接输出一个张量，如下图所示。

4 输入输出映射关系

由于网络结构较为常规，理解YOLO的关键在于掌握输入与输出之间的映射关系。

参考上图，输入为原始图像，唯一要求是缩放至 448×448 像素。这是因为YOLO网络在卷积层之后连接了两个全连接层，全连接层需要固定长度的输入向量，因此输入图像也必须固定尺寸。448×448是设计者选定的尺寸，便于后续网格划分与输出对齐。

输出是一个 7×7×30 的张量。根据设计，输入图像被划分为7×7的网格，输出张量中的7×7维度与这些网格一一对应。换句话说，7×7×30的张量可以看作49个30维向量，每个向量对应输入图像中的一个网格。例如，输入图像左上角的网格对应输出张量中左上角的向量。

重要提醒：并非只有网格内部的像素信息被映射到30维向量。经过神经网络的提取与变换，网格周边的相关信息也会被整合并编码到该向量中。

每个30维向量包含的信息

下面详细说明每个网格对应的30维向量包含哪些内容。

• ① 20个对象分类概率：YOLO支持识别20种不同对象（如人、鸟、猫、汽车、椅子等），因此每个网格有20个值表示该网格位置存在各类对象的概率（即条件概率）。
• ② 2个bounding box的位置：每个bounding box需要4个数值描述其位置——(Center_x, Center_y, width, height)，即中心点坐标、宽度和高度。两个bounding box共需8个数值。
• ③ 2个bounding box的置信度：置信度 = 该bounding box内存在对象的概率 × 该bounding box与真实框的IOU（交并比）。IOU=交集面积/并集面积，完全重合时IOU=1，不相交时IOU=0。

综合来看，一个bounding box的置信度反映了它“是否包含对象”以及“位置是否准确”的综合程度。置信度高表示该位置存在对象且框得较准，置信度低则可能没有对象，或虽有对象但位置偏差较大。

训练样本的标签如何构造？

作为监督学习任务，我们需要先构造训练样本的标签。对于一张输入图片，其对应的7×7×30输出张量（即标签y）应如何填写？

首先，输出的7×7维度对应输入图像的7×7网格。每个网格对应的30维向量包含：

• ① 20个对象分类概率
• ② 2个bounding box的位置
• ③ 2个bounding box的置信度

（请对照上面图6）

5 损失函数

损失函数衡量网络实际输出与标签之间的偏差。

YOLO采用的损失函数如下。

常见问题：为什么损失函数中坐标误差和置信度误差的权重不同？
答：因为图片中大部分网格不包含对象，若不设置权重，网络会倾向于将所有预测都输出为“无对象”，导致模型不收敛。YOLO对包含对象的边框坐标误差赋予更高权重，从而引导模型更关注有对象的区域。

6 预测

训练完成后，YOLO网络输入一张图片，会输出一个7×7×30的张量，表示每个网格中可能存在的对象（概率）及其两个候选位置（bounding box）和置信度。为了从中提取出最可能的目标及位置，YOLO采用了NMS（非极大值抑制）算法。

小提示：NMS的工作流程：首先对所有bounding box按置信度降序排序，选中置信度最高的框，然后删除与它IOU大于设定阈值的其他框，重复此过程直至所有框都被处理完毕。

7 总结

YOLO以速度见长，处理速度可达45fps，其轻量版YOLOv4甚至能达到155fps。这得益于其将识别与定位合二为一的网络设计，同时这种统一架构也使得训练和预测能够端到端执行，简便高效。不足之处在于对小目标（尤其是聚集在一起的小物体）检测效果欠佳，且边框预测精度略低于Fast RCNN。主要原因在于网格划分较稀疏（仅49个网格），每个网格只预测两个边框，另外池化层会丢失部分细节信息，影响定位精度。

常见问题与解答

• Q：YOLO为什么要把图片缩放到448×448？
  A：因为YOLO网络在卷积层之后接了两个全连接层，全连接层要求输入是固定长度的向量，所以输入图像也必须固定尺寸。448×448是YOLO设计者确定的尺寸，便于后续的网格划分和输出张量对齐。
• Q：YOLO的7×7网格会不会太粗糙，导致漏检？
  A：确实，网格较稀疏（49个网格）是YOLO早期版本对小目标检测效果不佳的原因之一。后续YOLO版本（如YOLOv3、YOLOv4）通过引入多尺度预测、更密集的网格和Anchor机制显著改善了这个问题。
• Q：YOLO的置信度具体是如何计算的？
  A：置信度 = P(Object) × IOU(pred, truth)。其中P(Object)表示该网格内是否存在对象的概率（0或1），IOU是预测框与真实框的相交比。所以置信度同时反映了“有没有对象”和“框得准不准”。

编辑：黄飞

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：基于深度学习的经典与前沿目标检测算法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题