跳到主要内容
Zubnet AI › 学习 › Wiki › YOLO
模型

YOLO

别名:You Only Look Once
一个快速目标检测模型家族,只需一次前向传播就能找出并分类图像中的所有物体,是实时视觉任务的标准选择。

为什么重要

YOLO 模型是应用计算机视觉的主力。它们清点货架上的商品,发现生产线上的缺陷,在体育转播中跟踪球员,测量交通流量,为无人机和机器人导航,还用于监测野生动物。它们小到可以在手机、摄像头或廉价的嵌入式开发板上运行,用自定义数据集微调只需一个下午。

在巨型多模态模型的时代,YOLO 提醒我们:小而专的模型往往才是合适的工具。它处理每张图像的成本比视觉语言模型低几个数量级,速度也快得多。

深度解析

YOLO 是“You Only Look Once”(你只看一次)的缩写。在它之前,最好的目标检测器分两个阶段工作:先提出可能包含物体的区域,再对每个区域分类。这样做准确,但很慢。2015 年,Joseph Redmon 和同事证明,单个神经网络可以把整张图像看一遍,直接预测出每个边界框及其类别。第一版 YOLO 每秒能跑 45 帧,足以处理实时视频,而当时准确的检测器每秒只能处理寥寥几帧。

此后,“YOLO”与其说是一个模型,不如说是一个谱系:来自不同团队的十几个版本,都围绕着快速单阶段检测这一思路构建。

工作原理

YOLO 模型是一个由三部分组成的卷积网络:backbone(骨干网络)负责提取特征;neck(颈部)把不同尺度的特征融合起来,让大小物体都能被看到;head(检测头)则为图像各个位置预测边界框、置信度分数和类别。

原始输出里,同一个物体会对应许多重叠的框。一个叫作非极大值抑制(NMS)的后处理步骤会保留最好的那个,去掉重复的。一些较新的版本经过训练后,每个物体只输出一个框,完全跳过 NMS,从而简化了部署。

一张纠缠不清的族谱

Redmon 写了前三个版本,随后在 2020 年离开了计算机视觉研究,理由是担心军事和监控用途。这个名字在没有主人的情况下延续了下来:

  • YOLOv4(2020 年)来自 Alexey Bochkovskiy 和同事。
  • YOLOv5(2020 年)、YOLOv8(2023 年)和 YOLO11(2024 年)来自 Ultralytics 公司,它易用的 Python 包让 YOLO 的流行远远超出了研究者的圈子。
  • YOLOv6、v7、v9、v10 以及之后的版本来自各个学术和产业团队。

版本号并不构成一条清晰的改进序列,数字更大也不代表更适合你的任务。现代的 YOLO 软件包也不止于检测:同一个家族还能做实例分割、姿态估计、旋转框检测和目标跟踪。

尺寸与指标

每个版本都有若干种尺寸,通常是 nano、small、medium、large 和 extra-large。nano 模型可以在手机上实时运行,更大的模型更准确,但需要 GPU。准确率以 COCO 数据集上的 mAP(mean average precision,平均精度均值)来报告,COCO 包含 80 个日常物体类别。对你自己的项目来说,在你的数据和硬件上的速度与准确率,比 COCO 分数更重要。

训练你自己的模型

预训练的 YOLO 模型只认识 COCO 的 80 个类别。要检测别的东西,就需要微调:收集几百到几千张图像,用边界框做标注,再在一块 GPU 上训练一小时左右。标注才是真正的工作量,基于 Segment Anything 或视觉语言模型构建的工具可以大大加快这一步。部署时,模型通常会导出为 ONNX、TensorRT、Core ML 或类似格式。

许可证与替代方案

要留意许可证。Ultralytics 的模型以 AGPL-3.0 发布,这要求你把使用这些模型的软件开源,除非购买商业许可。采用宽松许可证的替代方案包括 YOLOX,以及 RT-DETR、RF-DETR 等基于 Transformer 的实时检测器,它们的准确率如今已经持平甚至超过 YOLO。

YOLO-World、Grounding DINO 等开放词汇检测器无需任何训练,就能找到用文字描述的物体,代价是速度和准确率有所下降。视觉语言模型也能检测物体,适合做原型和标注,但对于大批量或实时的工作,一个训练好的小型检测器仍然实用得多。

← 所有术语
ESC