05 Bounding Box预测（YOLO算法基础）
05 Bounding Box预测（YOLO算法基础）
05 Bounding Box预测（YOLO算法基础）
📘 课程主题：YOLO 算法基础 —— 单次检测实现精准边界框预测
一、背景与动机
滑动窗口法的问题：
- 使用离散窗口位置进行分类，无法输出任意形状/位置的边界框。
- 边界框受限于窗口大小和步长，精度低。
- 无法处理非正方形目标（如横向延伸的汽车）。
目标：设计一种能直接回归精确边界框坐标的端到端卷积神经网络。
二、YOLO 核心思想（You Only Look Once）
YOLO 将目标检测视为单次回归问题：输入整张图像，直接输出所有边界框及其类别。
1. 网格划分（Grid Cell Division）
- 将输入图像划分为 $S \times S$ 的网格（例如 $3\times3$ 或更常用的 $19\times19$）。
- 每个网格负责预测中心点落在该网格内的目标。
2. 目标分配规则
对每个真实目标（ground truth object）：
- 计算其边界框中心点 $(x_{\text{center}}, y_{\text{center}})$。
- 将该目标分配给包含其中心点的唯一网格单元。
- 即使目标跨越多个网格，也只由一个网格负责预测。
✅ 优点：避免重复检测；简化标签设计。
⚠️ 缺点：若多个目标中心落在同一网格（尤其在粗网格下），会漏检（后续版本通过 anchor boxes 改进）。
三、输出表示：每个网格的预测向量
对每个网格单元，输出一个 8 维向量：
\[\mathbf{y} = \begin{bmatrix} p_c \\ b_x \\ b_y \\ b_h \\ b_w \\ c_1 \\ c_2 \\ c_3 \end{bmatrix}\]其中：
| 符号 | 含义 | 取值说明 |
|---|---|---|
| $p_c$ | 是否包含目标 | $p_c = 1$ 表示有目标，$0$ 表示无目标 |
| $b_x, b_y$ | 边界框中心相对于当前网格左上角的偏移 | 归一化到 $[0, 1]$ |
| $b_h, b_w$ | 边界框高、宽相对于整个图像高度/宽度的比例 | 可大于 1（若目标比网格大） |
| $c_1, c_2, c_3$ | 类别概率（one-hot 编码） | 如：行人、汽车、摩托车；背景不单独编码 |
🔍 注意：若某网格无目标，则 $p_c = 0$，其余值为 “don’t care”（训练时可忽略）。
示例：
若某网格包含一辆汽车（类别2），则标签为：
\[\mathbf{y} = \begin{bmatrix} 1 \\ b_x \\ b_y \\ b_h \\ b_w \\ 0 \\ 1 \\ 0 \end{bmatrix}\]
四、网络架构与训练
- 输入：$100 \times 100 \times 3$ 图像（仅为教学示例，实际更大）。
- 主干网络：标准 CNN（含卷积层、池化层等）。
输出层：通过卷积/全连接层，最终输出尺寸为 $S \times S \times 8$。
- 例如 $3\times3$ 网格 → 输出 $3 \times 3 \times 8$ 张量。
- 实际常用 $19\times19$ → 输出 $19 \times 19 \times 8$。
训练方式：
- 构建对应的目标标签张量 $\mathbf{Y} \in \mathbb{R}^{S \times S \times 8}$。
使用均方误差（MSE）损失函数（原始 YOLO v1）：
\[\mathcal{L} = \lambda_{\text{coord}} \sum_{i=0}^{S^2} \mathbb{1}_i^{\text{obj}} \left[ (x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 \right] \\ + \lambda_{\text{coord}} \sum_{i=0}^{S^2} \mathbb{1}_i^{\text{obj}} \left[ (\sqrt{w_i} - \sqrt{\hat{w}_i})^2 + (\sqrt{h_i} - \sqrt{\hat{h}_i})^2 \right] \\ + \sum_{i=0}^{S^2} \mathbb{1}_i^{\text{obj}} (C_i - \hat{C}_i)^2 \\ + \lambda_{\text{noobj}} \sum_{i=0}^{S^2} \mathbb{1}_i^{\text{noobj}} (C_i - \hat{C}_i)^2 \\ + \sum_{i=0}^{S^2} \mathbb{1}_i^{\text{obj}} \sum_{c \in \text{classes}} (p_i(c) - \hat{p}_i(c))^2\]注：此处为原始 YOLO v1 损失函数概要，视频未展开，但理解输出结构是关键。
五、边界框参数化细节（重点！）
对分配到某网格的目标，其边界框参数定义如下：
- 设当前网格左上角坐标为 $(x_{\text{grid}}, y_{\text{grid}})$，网格宽高为 $w_{\text{cell}}, h_{\text{cell}}$。
则：
\[\begin{aligned} b_x &= \frac{x_{\text{center}} - x_{\text{grid}}}{w_{\text{cell}}} \in [0, 1] \\ b_y &= \frac{y_{\text{center}} - y_{\text{grid}}}{h_{\text{cell}}} \in [0, 1] \\ b_w &= \frac{w_{\text{box}}}{W_{\text{image}}} \\ b_h &= \frac{h_{\text{box}}}{H_{\text{image}}} \end{aligned}\]
✅ 优势：$b_x, b_y$ 被约束在 $[0,1]$，保证中心点在本网格内。
⚠️ $b_w, b_h$ 可 >1，允许目标跨越多个网格。
💡 高级技巧（论文中使用）：
- 用 sigmoid 函数 约束 $b_x, b_y \in (0,1)$。
- 用 指数变换 确保 $b_w, b_h > 0$，如：$\hat{b}_w = e^{t_w}, \hat{b}_h = e^{t_h}$。
六、YOLO 的核心优势
- 端到端训练：直接从像素到边界框+类别。
- 全局推理：一次性看完整张图，避免滑动窗口的局部性。
高效卷积实现：
- 不需在每个网格独立运行分类器（如 $19\times19=361$ 次）。
- 所有网格共享卷积特征，计算高效。
- 实时性：原始 YOLO 可达 45 FPS，适合实时应用。
七、局限性（本节提及）
- 每个网格只能预测一个目标 → 多目标重叠时漏检。
- 小目标检测弱（尤其在粗网格下）。
- 定位精度不如两阶段方法（如 R-CNN 系列）——但速度远胜。
✅ 后续改进：YOLO v2 引入 Anchor Boxes 解决多目标问题；YOLO v3/v4/v5 进一步优化。
八、学习建议
精读论文：Redmon et al., You Only Look Once: Unified, Real-Time Object Detection, CVPR 2016.
- ⚠️ 提醒：论文较难，建议结合代码（如 Darknet）理解。
- 动手实践：尝试用 PyTorch/TensorFlow 实现简化版 YOLO（$7\times7$ 网格，单类别）。
- 对比学习：与 Faster R-CNN、SSD 等方法比较“单阶段 vs 两阶段”检测范式。
✅ 总结一句话：
YOLO 通过将图像划分为网格，并让每个网格直接回归其负责目标的边界框和类别，实现了高效、端到端、实时的目标检测。
本文由作者按照 CC BY 4.0 进行授权