yolo模型介绍

目录

一、Yolo介绍

二、Yolo和CNN

三、Yolo的原理

Yolo的原理

非极大值抑制（NMS）

损失函数

四、Yolo的发展史

五、总结

        上一篇内容 PDF解析工具-MinerU 中提到了yolo模型。YOLO（You Only Look Once）属于传统计算机视觉 CV （Computer Vision）模型，和 Qwen‑VL 这类多模态大模型能力有本质区别。YOLO 负责画框定位物体，没有高级语义推理；多模态大模型可以看懂画面、做逻辑推理。

一、Yolo介绍

        在各类实际业务场景里，目标检测任务占比最高；如下是真实使用场景中，对车画了一个框，并在上面的标签（label）上写了识别物体的种类。

目前目标检测分为两大技术路线：

Two-stage方法准确度高一些，但速度慢，one-stage算 法是速度快，但是准确性低一些

YOLO 名字含义：You Only Look Once，图片只看一次就完成全部检测。

        YOLO的特点：速度快，能够达到实时的要求，泛化能力强。广泛应用于各种需要目标检测的场景：

         • 自动驾驶：检测道路上的车辆、行人、交通标志等，为自动驾驶系统提供决策依据。

        • 安防监控：在视频监控中实时检测可疑人物或物体，提高安防效率。

        • 机器人视觉：帮助机器人识别和定位周围的物体，实现自主导航和操作。

        • 智能交通：用于交通流量监测、违章检测等，提高交通管理的智能化水平。

YOLO是一种非常有影响力的实时目标检测算法，以快速、高效的特点在很多领域都发挥了重要作用。当然在实际工程中，YOLO也并不一定能完全满足需求，需要和多模态大模型经常搭配使用，如：

二、Yolo和CNN

        CNN (卷积神经网络) 我们在前面介绍过：卷积神经网络（CNN) 是做特征提取的关键工具。比如我们想要区分人：

        • 先用S细胞（卷积）找到无数个小碎片（横线、竖线、圆弧）。

        • 再用C细胞（池化）忽略掉无关紧要的位置抖动。

        • 最后层层叠加，把线条拼成眼睛，把眼睛拼成脸，把脸拼成完整的人。

那么通过CNN学习，背景部位的激活度基本很少。卷积层数越多，学习到的特征越高阶。

        YOLO (You Only Look Once) 是 解决方案/架构 。 它是一个设计精妙的算法框架。把这一堆CNN 按照特定的顺序组装起来，不仅要看懂图，还要算出物体在哪个位置（坐标）。如果把CNN 看作砖块，YOLO 是用砖块盖起来的摩天大楼。

三、Yolo的原理

Yolo的原理

1）网格划分：把输入图片切分为 S×S 的网格（YOLO‑V1 是 7×7，共 49 个格子）。

2）每个网格输出预测 每个网格预测 B 个边界框 BBox，每个框输出 5 个值：中心点 x、y，宽 w，高 h，置信度 confidence（0~1，表示预测框的可信程度）；同时输出 C 个类别的概率。

        这个B是自己来设定的，假如设B等于2，一个格子里面最多可以包含两个物体，C是能识别的物体的种类。到底能识别多少种物体，需要提前对yolo模型进行训练。

        每个网格输出的向量长度为 len = B * 5 + C

        把所有网格拼在一起，最终输出张量形状：(S,S,len)

3）卷积做特征提取

非极大值抑制（NMS）

非极大值抑制 NMS 同一个物体会被多个网格重复预测，生成大量重叠框。通过 IOU 交并比计算框重叠程度，保留置信度最高的框，过滤掉重复冗余框，得到最终干净的检测结果。

具体流程如下：

step 1:将重复预测框按照置信度排序，保留置信度最高的A框作为基准框

step 2:将框A和其他框计算交并比，如果交并比大于某个阈值，那么说明重叠严重，去掉

循环以上步骤，直到所有框处理完毕。

损失函数

        yolo的速度快，是因为它只经过一次计算就预测了物体的类别和位置。他的误差有分类误差和定位误差。

四、Yolo的发展史

YOLO 版本演进表：

五、总结

        YOLO 是经典一阶段目标检测 CV 模型，核心就是把检测问题转化回归问题，一次卷积同时输出物体位置与类别，主打实时高速。 但 YOLO 只完成 “看见、定位物体”，不具备高级语义理解能力。现在的工程方案，大多是「YOLO 等传统 CV 小模型做感知 + VLM 多模态大模型做推理」的组合，两者各司其职。