yolo目标检测是计算机视觉避不开的一个强大模型，以其强大的可并行能力以及简单的结构甚至可以运用于实时检测。本文会从yolo的基本框架算法逻辑开始讲起，也就是yolov1，直至构建一个可以识别目标的模型项目。

算法详解

        其实yolo的模型架构就是卷积神经网络+全连接层。

图1

        总的来说，就是将输入的图片转换为448×448的尺寸，然后经历一个7×7的卷积核+五个3×3的卷积核后得到一个浓缩后的特征图，再使用全连接层将特征图转换为预测的张量结果输出。这是正向过程也就是预测，前面的卷积层都还好，都是个惯用套路，我们主要来看看全连接层干了什么，为什么输出7×7×30维度的张量。

图2

        对于每一张图而言，yolo的实现过程如下：首先，使用一个S×S尺寸的方格划分整个图片数据；对于每个划分的小方格，都预测B个方框，每个方框以五个数据记录下来，也就是：

[x, y, w, h, c] 

        其含义就是框的左顶点x、y坐标，框的宽、高，以及检测到的目标的置信度。一般而言，我们设置S为7以及B为2，也就是图片分为7×7共49个小方格，每个小方格预测出2个框，每个框以一个1×5的向量形式表示，经过汇总也就是最终输出7×7*（2×1×5）的张量。正如图2的上方的结果图所示，以框的粗细代表置信度的高低，画完所有的预测框后就变成了那样。当然这还没完，在我们训练完后模型会存储训练集的种类信息，比如说训练集的数据有20个种类，我们需要判断每个小方格代表的是哪个种类，也就是输出一个1×20维度的向量，每个位置代表是这二十个种类的其中一类的条件概率。也就是图2下方的图所示，如果将条件概率最高的可视化出来，比如紫色代表自行车，绿色代表狗，橙色代表汽车，蓝色代表没找到，最终结果就如图。然后将两个过程的张量相拼接，就得到了最终的输出结果7×7×（10+20）的张量，也就是最终的输出类别结果。简而言之，通过卷积之后的特征图我们获得小方格的种类信息，在小方格中制作预测框确定实际范围和置信度。

        值得一提的是，每个预测框的大小并没有限制。在制作预测框的过程中，只要目标中心(由卷积层的感受野得出)在小方格之中，那么预测框就可以以目标中心向外一直延伸。它或许超出了小方格，跑到了别的小方格区域；或许一直延伸到图片边缘，然后被边界卡住；又或许几个预测框重叠了大半，这也是接下来的优化方向。

        对于这么多个预测框，不可能全是我们最终想要的三个框，我们就必须要做取舍。首先，过滤掉那些置信度太低的，那些只是我们为了检测而创造出来凑数的。然后，就是非极大值抑制（NMS）。对于每个种类，我们先将所有的预测框以概率高低排列（需要声明的是虽然预测框本身不包含种类信息只有置信度，但是其所处的小方格包含），然后从高到低将这些预测框的重叠范围进行两两对比，并且设置一个最大重叠阈值，如果重叠区域超过了大预测框尺寸×重叠阈值，就去掉小的预测框，反之留下，以此类推。最终，就过滤成了三个预测框。

        以上就是yolov1的最经典的实现部分。虽然yolo也在一步步更新，效率有了极大的提升，但是并没有像v1这种从无到有的提出，基本上是加入了一些其他模块像注意力机制、锚框等等，也就不多说了。

训练集构建

        数据集标注这个网站可以做数据集标注，还挺简单的，跟着文字提示就能完成，就是有点废人。

        里面有智能选择只有点目标就能自动画框，算是效率比较高的了。

下载及训练代码

        如果使用的是我推荐的网站，记得调整训练集验证集的比例，最终目录如下：

        确保这个目录后，就可以训练模型了：

from ultralytics import YOLO
import torch.multiprocessing as mp


def main():
    model = YOLO("yolov8n.pt")
    model.train(
        data="dataset/husky/data.yaml",
        model="yolov8n.pt",
        epochs=100,
        batch=16,
        imgsz=640,
        mosaic=0.5,
        erasing=0.1,
        auto_augment=None,
        amp=True,
        workers=2,
        plots=False
    )


if __name__ == "__main__":
    mp.freeze_support()  # Windows 必须
    main()

        其中workers参数与显存有关，配置好的可以往上调。

        还有训练完后的测试代码：

import cv2
from ultralytics import YOLO

model = YOLO("./runs/detect/train12/weights/best.pt")

# 将标注后的文件保存下来
def save_detection(source, out_path="output.mp4"):
    cap = cv2.VideoCapture(source)

    w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps = cap.get(cv2.CAP_PROP_FPS)

    fourcc = cv2.VideoWriter_fourcc(*"mp4v")
    writer = cv2.VideoWriter(out_path, fourcc, fps, (w, h))

    for result in model.predict(
            source=source,
            device=0,
            conf=0.25,
            iou=0.5,
            stream=True  # 关键！
    ):
        frame = result.plot()
        writer.write(frame)

    cap.release()
    writer.release()

# 打印检测的物品信息
def print_image_items(root):
    results = model(root)

    r = results[0]

    # 打印每个检测框的信息
    for box in r.boxes:
        cls_id = int(box.cls)
        conf = float(box.conf)
        xyxy = box.xyxy.tolist()

        print(f"类别ID: {cls_id}, 置信度: {conf:.2f}, 框: {xyxy}")

if __name__ == '__main__':
    # print_image_items(r"D:\PythonProject\Pytorch\data\classification_data\train\万能梗\n02096051_7.jpg")
    save_detection(r"D:\PythonProject\Pytorch\data\common\哈士奇.mp4")

        最后，我们来看看效果吧：