彻底搞懂YOLOv1:R-CNN与YOLO架构的区别在哪里？

0 前言

在计算机视觉领域中，基础的任务除了目标分类之外，往前进一步就是目标检测了。在之前的文章中，我介绍过AlexNet、ResNet，其实这些模型一开始都是为了目标分类诞生的。

目标分类和检测的区别在哪里呢？假设我们有一张猫的图片，我们输入到深度学习的模型中，只期待它得到一个判断结果：是猫还是狗，或者是其他的动物。这就是目标分类。

但是目标检测在这个目标识别任务的基础上更进一步：我们不仅需要知道这张图片里是不是猫，我们还要知道它的位置在哪里。因此目标检测实质上有两个任务：定位和识别。

对于人类来说，这似乎是一件很简单的事情，但是对于计算机而言，这个任务的难度又上升了一个台阶。

YOLO是目标检测领域的经典模型，然而在YOLO之前其实就已经有前人在目标检测领域做了大量研究工作。

在正式踏入这个技术领域之前，我们不妨首先从上帝视角，来了解一下目标检测的发展历程以及经典框架，这对于开展后续的学习是大有裨益的。

1 思维导图

限于篇幅，加上叙述目标检测的发展过程，顺着这个脉络，因此我打算分两篇文章来介绍YOLOv1，有时间的话，也可以为大家介绍一下具体的代码。

今天这篇文章主要介绍的内容有三点，思维导图如下。

2 目标检测发展史简介

一般而言，我们介绍深度学习领域某个任务的发展过程，都是从两个方面来说：一个是传统方法，一个是深度学习的方法。

在以往传统的方法中，都是首先人工提取图像视觉特征，然后再将特征输入到特定的网络中，最终得到任务结果。不过一旦图像种类变得复杂并且特征不明显，那么想得到一个通用的任务模型则会非常困难，并且依赖研究者的先验知识。

当深度学习出现之后，特征提取这个费时费力的活儿就可以交给卷积神经网络了，它依赖海量的数据，从中学习出数据中通用的特征，虽然大多数特征没有办法用人类语言描述出来。

2014年，不同于传统的目标检测算法，R-CNN出现了。当时衡量目标检测效果的数据集为PASCAL VOC，R-CNN在该数据集上一鸣惊人，开启了深度学习领域结合目标检测的研究的热潮。

然而R-CNN的算法基础导致它有一个缺点：那就是速度不够快。在R-CNN的基础上，众多学者做出了改进，如Fast R-CNN和Faster R-CNN,但是依旧是遵循R-CNN原有的基础框架。

计算机视觉10年代一路狂奔，引吭高歌，在2015年，YOLO横空出世，在每秒40帧的检测速度实力碾压当时所有的目标检测模型，这也导致了YOLO框架横扫后续的目标检测领域。

目前YOLO官方发布的模型已经到了YOLOv11。

要想弄懂YOLO，我认为直接去学习YOLO的最新模型难度很大，我们不知道它改进的每一个trick巧妙在哪里，正如如果我们不懂得Transformer的原理，我们学习BERT和GPT就会比较吃力。

尽管YOLOv1已经是十年前的模型了，但是时至如今，我认为去了解它的结构和模块对于初学者而言仍然有意义，学习了YOLOv1之后，我们再去学习更新版本的模型，会更加从容，也能体会到每个版本之间的迭代差异，温故而知新。

3 R-CNN与YOLO架构区别

我们知道目标检测需要完成两个任务：定位和分类，在这个认知基础上，我们先来了解一下R-CNN的基本步骤。从上面的图中可以看出来R-CNN主要分为三步：

• 首先从图像中提取出若干感兴趣的区域

• 使用卷积神经网络分别处理，提取特征

• 使用支持向量机进行分类

我们将上述三个步骤总结为关键的两步：

先提取一系列可能包含物体的候选区域，然后依次对这些区域进行特征提取和分类。

这一过程被总结为统一的范式：两阶段(two-stage)检测，本质上是先提取，后识别。包括后来Fast R-CNN以及Faster R-CNN皆是如此。

YOLO摈弃了两阶段检测的结构，采用单阶段(One-Stage)检测的模式。我们从它的名字就可以窥探一二：**YOLO(You Look Only Once)**，你只需要看一次。

YOLO的作者认为，检测(定位)和识别(分类)是可以采用一个网络完成的，不用分别进行处理，可以减少大量多余的操作，从而加快检测识别的速度。

但是需要明确的一点是，虽然YOLOv1在检测速度上胜过R-CNN,但是精度却是有所下降的，在当时业界应用中，精度和速度往往总是不能二者兼得，但是正因为YOLO检测速度的迅速，因此得到了更多研究者的青睐，使得更多的学者投身于单阶段检测的框架中。如今YOLO已经可以兼具速度和精度的要求，成为目标检测领域的主流框架。

我们再来总结对比一下二者的区别：

• R-CNN的“两阶段”是 “先找出可能在哪（候选区域），再细看是什么（分类）” ；

• 而YOLO的“单阶段”是 “看一眼就直接说出哪里有什么” 。

4 YOLOv1的网络结构

YOLOv1作为YOLO家族的祖先，其网络结构非常精简：通过一个端到端的卷积神经网络，直接确定目标边界框和类别。 网络结构图如下：

有点惊讶，本来我也会以为YOLOv1这么厉害，肯定是一个让人眼花缭乱的网络，结果，好像不是我们想的这么回事儿。

受到GooleNet网络结构的启发，YOLOv1的网络结构中包含24个卷积层和2个全连接层。

就是这么简单粗暴，一看网络结构，平平无奇古天乐，不就是图像分类那一套嘛，卷积激活和池化，再来个全连接层。为什么这么简单的网络结构却能完成目标检测的任务？

具体细节我们留到下篇文章，但是我们可以预先简单的探讨一下这个问题。

可以明确一点，针对一幅图像，我们要对它进行检测，需要获取到三种结果，一个是预测框的位置坐标，一个是预测的类别还有相应的概率。

因此这本质上这是一个多回归问题。

我们知道CNN不仅可以做分类，回归任务它也是高手的，因此用CNN去得到预测框的位置坐标，一个是预测的类别还有相应的概率三种数据是可行的，只不过我们的思维中，一般网络得到的结果是一种，比如我用CNN做分类得到的就是分类结果嘛，用CNN做房价预测，得到的就是房价嘛，但是它其实是可以同时预测多种数据的。这也正是它能够一次性做完所有事情的关键！

至于它的多回归具体如何是实现的，我们下篇文章来具体分析。

欢迎大家关注我的个人gzh：阿龙AI日记。