YOLOv1论文精读：You Only Look Once如何重新定义目标检测？

2026-07-09 约 3100 字预计阅读 7 分钟

/images/202607/6/anthony-adu-a5CEwd8ESns-unsplash.jpg

论文：You Only Look Once: Unified, Real-Time Object Detection

作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi

论文地址：https://arxiv.org/pdf/1506.02640

1. 背景

目标检测(Object Detection)一直是计算机视觉领域最重要的任务之一。与图像分类不同，目标检测不仅需要回答图像中是什么？还需要回答目标在哪里？因此目标检测同时完成两个任务：

分类(Classification)
定位(Localization)

例如输入一张街景图：

模型需要输出：

1
2
3
4
5
6
7


Object:
  Class: car
  Bounding Box:
    x
    y
    width
    height

在YOLOv1提出之前，一些方法比如R-CNN¹会先在图像中找到Bounding Boxes，然后对这些Bounding Boxes在分类器上进行分类。之后会优化Bounding Boxes，消除重复的检测结果，并对Bounding Boxes重新评估打分。

这种方法流程很复杂，由于各个组件都要单独训练，导致非常难优化。

2. 论文核心思想

回归思想

传统目标检测方法流程如下：

图表代码

          flowchart TD
    A[图像] --> B[寻找候选区]
    B --> C[分类]
    C --> D[调整边框位置]
    D --> E[目标]
          flowchart TD
    A[图像] --> B[寻找候选区]
    B --> C[分类]
    C --> D[调整边框位置]
    D --> E[目标]
          flowchart TD
    A[图像] --> B[寻找候选区]
    B --> C[分类]
    C --> D[调整边框位置]
    D --> E[目标]
        

1
2
3
4
5


flowchart TD
    A[图像] --> B[寻找候选区]
    B --> C[分类]
    C --> D[调整边框位置]
    D --> E[目标]

YOLOv1流程如下：

图表代码

          flowchart TD
    A[图像] --> B[CNN]
    B --> C[直接预测]
    C --> D[边框+目标]
          flowchart TD
    A[图像] --> B[CNN]
    B --> C[直接预测]
    C --> D[边框+目标]
          flowchart TD
    A[图像] --> B[CNN]
    B --> C[直接预测]
    C --> D[边框+目标]
        

1
2
3
4


flowchart TD
    A[图像] --> B[CNN]
    B --> C[直接预测]
    C --> D[边框+目标]

YOLOv1将目标检测视为一个回归问题，直接从原始图像输出边框和类概率。只需要看一次图像，就可以预测是什么物体以及它在哪里²。

Grid Cell思想

将输入图片划分为多个Grid Cell，每个Grid Cell负责检测：目标中心点落在该区域的目标。

图4 Grid Cell + Bounding Box + Confidence + Class Probability

每个Grid Cell预测 $Pr\left(Class_i | Object \right)$ 。

Bounding Box预测

每个Grid Cell预测 $B$ 个Bounding Box，每个Bounding Box包含 $\left(x, y, w, h, confidence \right)$ 。其中 $x, y$ 表示目标中心点相对于Grid Cell的位置。 $w, h$ 表示目标宽和高。 $confidence$ 表示 $Pr\left( Object\right) \times IOU^{truth}_{pred}$ 。

3. 网络结构

YOLOv1主要由24个卷积层和2个全连接层组成²：

输入 $448 \times 448 \times 3$ ，输出 $7 \times 7 \times * 30$ 。

4. Loss函数

\begin{aligned} \mathcal{L}_\text{loc} &= \lambda_\text{coord} \sum_{i=0}^{S^2} \sum_{j=0}^B \mathbb{1}_{ij}^\text{obj} [(x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 + (\sqrt{w_i} - \sqrt{\hat{w}_i})^2 + (\sqrt{h_i} - \sqrt{\hat{h}_i})^2 ] \\ \mathcal{L}_\text{cls} &= \sum_{i=0}^{S^2} \sum_{j=0}^B \big( \mathbb{1}_{ij}^\text{obj} + \lambda_\text{noobj} (1 - \mathbb{1}_{ij}^\text{obj})\big) (C_{i} - \hat{C}_{i})^2 + \sum_{i=0}^{S^2} \sum_{c \in \mathcal{C}} \mathbb{1}_i^\text{obj} (p_i(c) - \hat{p}_i(c))^2\\ \mathcal{L} &= \mathcal{L}_\text{loc} + \mathcal{L}_\text{cls} \end{aligned}

其中：

$\mathbb{1}_{i}^\text{obj}$ ：第 $i$ 个Grid Cell是否包含对象
$\mathbb{1}_{ij}^\text{obj}$ ：它指示第 $i$ 个Grid Cell的第 $j$ 个Bounding Box是否“负责”该对象的预测
$C_{i}$ ：第 $i$ 个Grid Cell的 $confidence$
$\hat{C}_{i}$ ：第 $i$ 个Grid Cell预测的 $confidence$
$\mathcal{C}$ ：有多少个类
$p_i(c)$ ：第 $i$ 个Grid Cell包含 $c$ 类对象的条件概率
$\hat{p}_i(c)$ ：第 $i$ 个Grid Cell预测为 $c$ 类对象的条件概率

5. 训练过程

作者在 PASCAL VOC 2007 和 PASCAL VOC 2012 的训练集与验证集上，对网络进行了约 135 个 Epoch 的训练。当测试 VOC 2012 数据集时，还将 VOC 2007 的测试集一并加入训练数据中。

整个训练过程中采用以下超参数：

Batch Size：64
Momentum：0.9
Weight Decay：0.0005

学习率（Learning Rate）采用分阶段调整策略：

训练初期，将学习率从 1×10⁻³ 缓慢提升到 1×10⁻²（Warm-up）。如果一开始就使用较大的学习率，模型通常会因为梯度不稳定（unstable gradients）而发生训练发散（diverge）。
使用 1×10⁻² 继续训练 75 个 Epoch。
将学习率降低至 1×10⁻³，训练 30 个 Epoch。
最后将学习率进一步降低至 1×10⁻⁴，再训练 30 个 Epoch。

为了减少过拟合（Overfitting），作者采用了 Dropout 和大量的数据增强（Data Augmentation）。

其中：

在第一个全连接层（Fully Connected Layer）之后加入一个 Dropout 层，其丢弃率（Dropout Rate）为 0.5。 Dropout 的作用是防止各层神经元之间产生协同适应（Co-adaptation），提高模型的泛化能力。

数据增强方面，主要包括：

对输入图像进行随机缩放（Random Scaling）和随机平移（Random Translation），变化幅度最高可达到原始图像尺寸的 20%。
在 HSV（Hue、Saturation、Value）颜色空间中，对图像进行随机颜色扰动。

6. 推理过程

YOLOv1 在推理阶段仅需一次前向传播即可同时完成目标定位与分类，在 VOC 上输出 98 个候选框。由于大目标或跨网格目标可能产生重复检测，作者采用 NMS 去除冗余框，从而进一步提升约 2–3% 的 mAP，同时几乎不影响其高速检测特性。

7. 源码实现

可参考Yolov1-PyTorch实现。

8. 总结

YOLOV1最重要的三个思想是：

把目标检测统一成一个回归问题：直接从整张图预测Bounding Boxes和类别，而不是先生成候选框再分类。
整张图划分为Grid Cell：目标中心落在哪个网格，哪个网格就负责预测该目标。
一次前向传播完成预测：网络一次输出所有预测框和类别，再通过NMS得到最终结果，因此速度远远快于当时的两阶段检测器。

YOLOv1 Paper Walkthrough: The Day YOLO First Saw the World

【精读AI论文】YOLO V1目标检测，看我就够了

YOLO Object Detection | YoloV1 Explanation and Implementation Tutorial