4.1 YOLOv1 (You Only Look Once)

4.1 YOLOv1 (You Only Look Once)

本节摘要：YOLOv1 把检测当回归，"只看一次"就出结果。本节讲它的网格划分、回归思想和痛点——单阶段检测的开端。

先说结论

阅读完本节，你应当能够：

1. 理解 YOLOv1 的回归思想
2. 描述网格划分机制
3. 指出 YOLOv1 的痛点

概念脉络

一、YOLOv1 的革命性思想

两阶段检测器先找候选框再分类，流程长。YOLOv1 的洞察：把检测当回归，输入图像直接输出所有框和类别，"只看一次"。

这个转变是范式级的：两阶段把检测拆成"建议+分类"两个模块，YOLOv1 直接问 CNN"图里有哪些目标、各自在哪"，用一个端到端的回归网络一次前向回答完。速度从每秒几张（两阶段）跳到 45 FPS，实时检测成为可能。代价是精度先降后追，这正是第 1 章讲的精度-速度取舍。

二、网格划分

YOLOv1 把图像划分成 S \times S 网格。如果一个目标中心落入某网格，该网格负责预测这个目标。

图 4-1 YOLOv1 网格划分

每个网格预测：

• B 个边界框 (x,y,w,h) + 置信度
• C 个类别的条件概率

输出张量 S \times S \times (B \times 5 + C)。如 S=7, B=2, C=20 → 7 \times 7 \times 30。

网格划分是"空间责任分配"：每个网格只对中心落在自己区域的目标负责，把一个全局检测问题分解成 S×S 个局部回归问题。置信度定义是"框里有目标的概率 × 框的准确度"，训练时用 IoU 监督。

# YOLOv1 输出张量布局：7x7 网格，每格 30 维
# 维度含义：[框1(5维), 框2(5维), 类别20维]
def yolo_v1_output(grid=7, b=2, c=20):
    """构造 YOLOv1 输出的伪代码"""
    return np.zeros((grid, grid, b * 5 + c))  # 7x7x30

# 解码：每个网格取置信度最高的框 + 类别概率
def decode(grid_out):
    boxes, scores, classes = [], [], []
    for i in range(grid_out.shape[0]):
        for j in range(grid_out.shape[1]):
            cell = grid_out[i, j]
            box1_conf, box2_conf = cell[4], cell[9]
            cls = cell[10:].argmax()
            if max(box1_conf, box2_conf) > 0.3:
                boxes.append(...)  # 该格的最优框
    return boxes, scores, classes
​

三、损失函数

YOLOv1 损失综合：

• 坐标误差（框位置）
• 置信度误差（含目标与否）
• 分类误差

对含目标的格和不含目标的格分别加权，平衡正负样本。

损失里有个重要设计：不负责目标的格，置信度损失权重降低。因为一张图里绝大多数网格是背景，如果不加权，背景格的"无目标"损失会淹没目标格的梯度。这已经是"正负样本不均衡"意识的雏形，只是 YOLOv1 用固定权重处理，RetinaNet 后来用 focal loss 做得更精细。

四、优点

• 极快：一次前向出结果，45 FPS（Titan X），实时
• 端到端：从图像直接到检测结果
• 全局视野：看整图，误检少（不像滑窗局部）

全局视野是 YOLOv1 常被低估的优点：两阶段在候选框内分类，天然看不到框外上下文；YOLOv1 的每个预测都基于整图特征，能利用上下文区分"背景里像人的物体"和"真的人"，误检（尤其把背景当目标）比滑窗方法少。

五、痛点

YOLOv1 的痛点明显：

本质原因：7x7 网格太粗，一个格子可能同时包含多个目标中心；B=2 个框太少，密集场景放不下；w,h 直接回归绝对尺寸，对尺度不鲁棒。YOLOv1 自己也承认，定位误差是主要错误来源。

六、历史意义

YOLOv1 虽精度不及 Faster R-CNN，但证明了检测可以当回归做，速度碾压两阶段。这开启了单阶段检测时代，后续 YOLO 版本和 SSD、RetinaNet 都在这思路上改进。

七、与两阶段的第一组对比

YOLOv1 用 10 个点的 mAP 换来了 10 倍以上的速度。这个取舍是否划算，取决于场景——这组数字也预示了后面十年的竞争主题：单阶段怎么把精度追回来。

⚠️ YOLOv1 的痛点根源：每格只预测一个类别 + 少量框，导致密集小目标处理不了。v2 用锚点解决，v3 用多尺度解决。

💡 关键直觉：YOLOv1 把检测当回归，网格划分+一次前向出结果，极快（45FPS）但精度低（每格一类、框少）。痛点：定位低、召回低、小目标差。开启单阶段时代。

温故知新

• 思想：检测当回归，"只看一次"，一次前向出所有框和类别。
• 网格划分：S \times S 网格，目标中心所在格负责预测。
• 每格预测：B 个框+置信度，C 个类别概率，输出 S \times S \times (B \times 5+C)。
• 优点：极快（45FPS）、端到端、全局视野误检少。
• 痛点：定位低、召回低、长宽比敏感、小目标差（每格一类+框少）。
• 意义：证明检测可回归，开启单阶段时代。

下一节看 YOLOv2 怎么用锚点解决痛点。