YOLOYou Only Look Once作为单阶段目标检测的开山之作凭借速度快、端到端、工程友好的优势成为实时检测领域的标配算法。本文从v1→v2→v3梳理核心演进逻辑并手把手带你用YOLOv3完成自定义数据集训练理论实战一步到位。一、YOLO核心定位单阶段检测的王者1.目标检测分为两大流派• Two-stageFaster R-CNN/Mask R-CNN → 精度高、速度慢≈5FPS• One-stageYOLO/SSD → 速度极快、适合实时检测精度持续追赶YOLO的本质把检测变成回归问题一次前向推理直接输出目标位置类别置信度无需候选框生成这是它快的根本原因。2. IOU交并比IOUIntersection over Union用来衡量预测框与真实框的重叠程度是目标检测最基础的评价标准。公式IOU 交集面积 / 并集面积交集两个框重叠区域并集两个框覆盖的所有区域取值范围0 ~ 1常用阈值0.5mAP50、0.5~0.95mAP50-95IOU 1完全重合IOU ≥ 0.5通常认为检测正确IOU 0无重叠完全错误3. mAP平均精度均值mAPMean Average Precision是综合衡量检测模型好坏的核心指标比单纯看精确率 / 召回率更全面。先看懂 4 个基础值混淆矩阵TP真正例预测正确框住目标FP假正例预测错误把背景当目标FN假反例漏检有目标没框出来两个基础率精确率 Precision TP / (TPFP)预测结果里有多少是对的召回率 Recall TP / (TPFN)真实目标里有多少被找出来常用 mAP 定义mAP50IoU0.5 时的 mAP宽松、常用mAP50-95IoU 从 0.5 到 0.95、步长 0.05 的平均 mAP更严格、更全面二、YOLOv1开创单阶段检测时代1. 核心思想• 图像划分为 S×S网格默认7×7目标中心点落在哪个网格该网格就负责预测此目标。• 每个网格预测 2个边界框 置信度 20类概率最终输出 7×7×30 张量。• 置信度 有无目标 × 预测框与真实框IoU。2. 网络结构• 基于GoogLeNet改进24个卷积层 2个全连接层• 输入尺寸448×448• 无先验框纯回归定位。3. 损失函数三大组成总损失 坐标损失(x,y,w,h) 置信度损失(有无目标) 分类损失(类别概率)• 对有目标框的坐标损失加大权重• 对无目标框的置信度损失降低权重缓解样本不均衡。4. YOLOv1优缺点优点速度快45FPS、端到端、简单易用缺点小目标差、重叠目标漏检、每个网格只能预测1类、框精度一般三、YOLOv2YOLO9000精度与速度双升级v2针对性解决v1缺陷是工程化里程碑版本。1. 关键改进1. Batch Norm卷积层后全加BN放弃DropoutmAP↑2%。2. 高分辨率分类器训练用448×448适配检测分辨率mAP↑4%。3. Anchor先验框用K-Means聚类训练集框得到5种先验框回归偏移量稳定收敛。4. Darknet-19轻量主干1×1降维3×3提取特征参数更少、速度更快。5. Passthrough细粒度特征融合26×26浅层特征改善小目标检测。6. 多尺度训练输入320~60832倍数提升鲁棒性。2. 核心效果• VOC mAP63.4(v1) → 78.6(v2)• 速度保持实时精度逼近Two-stage算法。四、YOLOv3工业界最实用版本本文实战主角v3是平衡速度/精度/工程化的巅峰至今仍广泛落地。1. 革命性改进1. Darknet-53主干全卷积残差连接更深但更快特征更强。2. FPN多尺度预测3个输出层分别检测大/中/小目标◦ 13×13大目标感受野最大◦ 26×26中目标◦ 52×52小目标感受野最小3. 9种先验框3尺度×3种聚类自COCO数据集适配更多形状目标。4. Logistic替代Softmax支持多标签分类如“人行人”每个类别独立概率。5. 多标签损失用BCEWithLogitsLoss适配多类别共存场景。2. 为什么选YOLOv3做实战• 速度416尺寸≈50FPS满足实时• 精度COCO mAP50≈55.3%足够工业落地• 代码成熟、部署简单、适配自定义数据集零门槛五、YOLOv3自定义数据集训练实战PyTorch版本文基于PyTorch-YOLOv3复现从环境→标注→配置→训练→测试全流程。1. 环境准备# 基础依赖 pip install torch torchvision pillow pyqt5 labelme # 下载项目 git clone https://github.com/eriklindernoren/PyTorch-YOLOv3.git cd PyTorch-YOLOv32. 数据集构建核心步骤1数据标注Labelmepip install labelme labelme # 启动GUI• 标注矩形框标记目标保存json• 转换json → YOLO格式class_id x y w h均归一化2配置文件修改1classes.namesperson animal2custom.dataclasses2 traindata/custom/train.txt validdata/custom/val.txt namesdata/custom/classes.names3生成自定义cfgbash create_custom_model.sh 2 # 2为类别数3. 启动训练from models import * # from utils.logger import * from utils.utils import * from utils.datasets import * from utils.parse_config import * from test import evaluate import warnings warnings.filterwarnings(ignore) from terminaltables import AsciiTable import os import time import datetime import argparse import torch from torch.utils.data import DataLoader from torch.autograd import Variable 配置参数 --model_def config/yolov3-custom.cfg --data_config config/custom1.data --pretrained_weights weights/darknet53.conv.74 if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--epochs, typeint, default10, helpnumber of epochs) #训练次数 parser.add_argument(--batch_size, typeint, default1, helpsize of each image batch) #batch的大小 parser.add_argument(--gradient_accumulations, typeint, default1, helpnumber of gradient accums before step)#在每一步更新模型参数之前累积梯度的次数” parser.add_argument(--model_def, typestr, defaultconfig/yolov3.cfg, helppath to model definition file) #模型的配置文件 parser.add_argument(--data_config, typestr, defaultconfig/coco.data, helppath to data config file) #数据的配置文件 parser.add_argument(--pretrained_weights, typestr, helpif specified starts from checkpoint model) #预训练文件 parser.add_argument(--n_cpu, typeint, default0, helpnumber of cpu threads to use during batch generation)#数据加载过程中应使用的CPU线程数。 parser.add_argument(--img_size, typeint, default416, helpsize of each image dimension) parser.add_argument(--checkpoint_interval, typeint, default1, helpinterval between saving model weights)#隔多少个epoch保存一次模型权重 parser.add_argument(--evaluation_interval, typeint, default1, helpinterval evaluations on validation set)#多少个epoch进行一次验证集的验证 parser.add_argument(--compute_map, defaultFalse, helpif True computes mAP every tenth batch) parser.add_argument(--multiscale_training, defaultTrue, helpallow for multi-scale training)#允许多尺寸特征图融合的训练 opt parser.parse_args() print(opt) # logger Logger(logs)#日志文件 device torch.device(cuda if torch.cuda.is_available() else cpu) os.makedirs(output, exist_okTrue) os.makedirs(checkpoints, exist_okTrue) # Get data configuration data_config parse_data_config(opt.data_config) train_path data_config[train] valid_path data_config[valid] class_names load_classes(data_config[names]) # Initiate model model Darknet(opt.model_def).to(device) model.apply(weights_init_normal)#model.apply(fn)表示将fn函数应用到神经网络的各个模块上包括该神经网络本身。这通常在初始化神经网络的参数时使用本处用于初始化神经网络的权值 # If specified we start from checkpoint if opt.pretrained_weights: if opt.pretrained_weights.endswith(.pth): #用于检查字符串是否以指定的后缀结束。如果字符串以指定的后缀结束则返回True否则返回False。 model.load_state_dict(torch.load(opt.pretrained_weights)) else: model.load_darknet_weights(opt.pretrained_weights) # Get dataloader dataset ListDataset(train_path, augmentTrue, multiscaleopt.multiscale_training) dataloader torch.utils.data.DataLoader( dataset, batch_sizeopt.batch_size, #1个样本打包成一个batch进行加载 shuffleTrue, #对数据进行随机打乱 num_workersopt.n_cpu, #用于指定子进程的数量用于并行地加载数据。默认情况下num_workers的值为0表示没有使用子进程所有数据都会在主进程中加载。当设置num_workers大于0时DataLoader会创建指定数量的子进程每个子进程都会负责加载一部分数据然后主进程负责从这些子进程中获取数据。 # 使用子进程可以加快数据的加载速度因为每个子进程可以并行地加载一部分数据从而充分利用多核CPU的计算能力。但是需要注意的是使用子进程可能会导致数据的顺序被打乱因此如果需要保持数据的原始顺序应该将shuffle参数设置为False。 # num_workers的值应该根据具体情况进行调整。如果数据集较大可以考虑增加num_workers的值以充分利用计算机的资源。但是需要注意的是如果num_workers的值过大可能会导致内存消耗过大或者CPU负载过重从而影响程序的性能。因此需要根据实际情况进行调整。 pin_memoryTrue, #指定是否将加载进内存的数据的指针固定pin这个参数在某些情况下可以提高数据加载的速度。 # 当设置pin_memoryTrue时DataLoader会将加载进内存的数据的指针固定即不进行移动操作。这样做的目的是为了提高数据传输的效率。因为当数据从磁盘或者网络等地方传输到内存中时如果指针不固定可能会导致数据在传输过程中被移动从而需要重新读取浪费了时间。而固定指针可以避免这种情况的发生从而提高了数据传输的效率。 # 需要注意的是pin_memory参数的效果与操作系统和硬件的性能有关。在一些高性能的计算机上固定指针可能并不会带来太大的性能提升。但是在一些内存带宽较小的计算机上固定指针可能会显著提高数据加载的效率。因此需要根据实际情况进行调整。 collate_fndataset.collate_fn, # collate_fn是一个函数用于对每个batch的数据进行合并。这个函数的输入是一个batch的数据输出是一个合并后的数据。 # collate_fn函数的主要作用是对每个batch的数据进行预处理例如将不同数据类型的张量合并成一个张量或者对序列数据进行padding操作等。这样可以使得每个batch的数据格式一致便于模型进行训练。 # 在默认情况下collate_fn函数会将每个batch的数据按照第一个元素的张量形状进行合并。例如如果一个batch的数据中第一个元素的张量形状是[ # 3, 224, 224]那么collate_fn函数会将该batch的所有数据都调整为这个形状。 ) optimizer torch.optim.Adam(model.parameters()) metrics [ grid_size, loss, x, y, w, h, conf, cls, cls_acc, recall50, recall75, precision, conf_obj, conf_noobj, ] for epoch in range(opt.epochs): model.train() start_time time.time() for batch_i, (_, imgs, targets) in enumerate(dataloader): batches_done len(dataloader) * epoch batch_i imgs Variable(imgs.to(device)) #Variable类是PyTorch中的一个包装器它将张量和它们的梯度信息封装在一起。当我们对一个张量进行操作时PyTorch会自动地创建一个对应的Variable对象其中包含了原始张量、梯度等信息。通过使用Variable我们可以方便地进行自动微分和优化。 targets Variable(targets.to(device), requires_gradFalse) print (imgs,imgs.shape) print (targets,targets.shape) loss, outputs model(imgs, targets) loss.backward() if batches_done % opt.gradient_accumulations: # Accumulates gradient before each step optimizer.step() optimizer.zero_grad() # ---------------- # Log progress # ---------------- log_str \n---- [Epoch %d/%d, Batch %d/%d] ----\n % (epoch, opt.epochs, batch_i, len(dataloader)) metric_table [[Metrics, *[fYOLO Layer {i} for i in range(len(model.yolo_layers))]]] # Log metrics at each YOLO layer for i, metric in enumerate(metrics): formats {m: %.6f for m in metrics} formats[grid_size] %2d formats[cls_acc] %.2f%% row_metrics [formats[metric] % yolo.metrics.get(metric, 0) for yolo in model.yolo_layers] metric_table [[metric, *row_metrics]] # Tensorboard logging tensorboard_log [] for j, yolo in enumerate(model.yolo_layers): for name, metric in yolo.metrics.items(): if name ! grid_size: tensorboard_log [(f{name}_{j1}, metric)] tensorboard_log [(loss, loss.item())] # logger.list_of_scalars_summary(tensorboard_log, batches_done) log_str AsciiTable(metric_table).table log_str f\nTotal loss {loss.item()} # Determine approximate time left for epoch epoch_batches_left len(dataloader) - (batch_i 1) time_left datetime.timedelta(secondsepoch_batches_left * (time.time() - start_time) / (batch_i 1)) log_str f\n---- ETA {time_left} print(log_str) model.seen imgs.size(0) if epoch % opt.evaluation_interval 0: print(\n---- Evaluating Model ----) # Evaluate the model on the validation set precision, recall, AP, f1, ap_class evaluate( model, pathvalid_path, iou_thres0.5, conf_thres0.5, nms_thres0.5, img_sizeopt.img_size, batch_size8, ) evaluation_metrics [ (val_precision, precision.mean()), (val_recall, recall.mean()), (val_mAP, AP.mean()), (val_f1, f1.mean()), ] # logger.list_of_scalars_summary(evaluation_metrics, epoch) # Print class APs and mAP ap_table [[Index, Class name, AP]] for i, c in enumerate(ap_class): ap_table [[c, class_names[c], %.5f % AP[i]]] print(AsciiTable(ap_table).table) print(f---- mAP {AP.mean()}) if epoch % opt.checkpoint_interval 0: torch.save(model.state_dict(), fcheckpoints/yolov3_ckpt_%d.pth % epoch)4. 训练参数说明train.py核心• epochs训练轮数建议100• batch_size按GPU显存调整16G→8/16• img_size建议41632倍数多尺度友好• pretrained_weights用Darknet53预训练权重加速收敛六、YOLOv1→v3演进总结表版本主干网络先验框输出尺度核心亮点mAPYOLOv1GoogLeNet无7×7单阶段开创低YOLOv2Darknet-195 种13×13BN、Anchor、多尺度中YOLOv3Darknet-539 种13/26/52残差、FPN、多标签高七、总结YOLO从v1到v3完成了从概念验证→工程实用的蜕变• v1定义单阶段检测范式• v2补齐精度短板落地可用• v3多尺度残差多标签成为工业标配本文配套YOLOv3完整训练流程可直接用于口罩检测、行人计数、车辆检测等真实场景改类别数和数据集即可快速复用。