YOLO理论知识简单了解

前言

对YOLO模型的简单理解，对其进行记录。

一、YOLO是什么？以及核心思想？

YOLO（You Only Look Once）模型是一种用于实时目标检测的深度学习模型，所以首先需了解目标检测的概念。

1、目标检测的本质与分类

1.目标检测本质：

• 目标在哪里：检测框具体位置
• 目标是什么：检测框检测的物品类别

以此可推断：需要AI实时目标检测，通过样例【如：数据集(人手动设置检测框和标签的图片集)】学习，知道目标在哪里，识别相应类型【使用相关方法通过检测框去进行图片特征提取、通过标签来分类识别】。

2.目标检测分类：
1、两阶段目标检测：先找出候选的一些区域，再对区域进行调整分类
2、单阶段目标检测：采用一个网络一步到位，输入图片，输出有哪些物体，并输出物体具体在什么位置
YoLo就是单阶段目标目标检测的一种

2、YOLO核心思想

将目标检测原始检测方法重构为回归问题，将目标图像像素预测为目标类别及其边界框属性，即目标检测框中心点(x,y)，检测框宽高(w,h)，置信度。

二 、为什么使用YOLO，优势是什么？

YOLO系列模型优势：

1. 速度优势：YOLO的核心设计是单阶段检测，直接从图像中预测目标的类别和位置，无需复杂的候选区域生成步骤，因此速度极快，适合实时应用。
2. 轻量化设计：YOLO的网络结构相对简单，计算量小，适合在资源受限的设备（如嵌入式系统、智能手机）上运行。
3. 精度与速度的平衡：尽管YOLO以速度著称，但其检测精度也相当高。YOLOv3、YOLOv4、YOLOv5等版本通过改进网络结构和训练方法，进一步提升了检测精度。
4. 易于部署：YOLO的代码开源，社区活跃，有大量的教程和资源可供参考。它支持多种操作系统和硬件平台，易于部署。
5. 灵活性和可扩展性：YOLO的网络结构和训练流程具有较高的可定制性，开发者可以根据具体需求调整模型的超参数、网络结构和损失函数。
6. 对小目标的检测能力：YOLOv3引入了多尺度预测，YOLOv8采用无锚点设计，进一步提升了对小目标的检测能力。
7. 对复杂场景的适应性：YOLO在复杂背景和遮挡情况下表现出较强的抗干扰性，能够准确检测被部分遮挡的目标。

三、怎么使用YOLO模型？

YOLO模型使用方法：
1、准备代码和环境

• 下载YOLO模型的代码库
• 安装必要依赖
• 将预训练权重文件拷贝到工程目录下

2、准备数据集
3、模型训练（创建训练脚本，并指定训练参数）
4、模型预测（创建预测脚本，加载训练好的权重文件，并指定要检测的图像路径）

具体操作可参考：YoLo运用学习1

总结

目前对YOLO模型理论知道的简单了解，知道了YOLO模型是什么？为什么？怎么用？。