date
Oct 7, 2025
slug
2025-10-07-YOLOv1-output-and-NMS-workflow
status
Published
tags
YOLO
summary
本文对YOLOv1模型的输出信息，以及对模型推理输出进行的NMS算法过滤等方面的信息进行总结和学习，为后续阶段解读更近的YOLO模型打好基础。
type
Post
category
AI
AI summary
对于YOLOv1模型的网络架构，在[[YOLOv1模型网络架构解读]]一文中已经有非常详尽的解释。以下是YOLOv1网络的架构图：
从以上架构图上可以看到，相比于对图像类别进行识别的各种经典卷积神经网络模型而言，YOLOv1的网络结构并没有特别大的创新点，仍然是在网络的前半段通过反复的卷积+池化操作提取图像中的特征，在网络的后半段通过连续两个全连接层进行类别识别和位置判断。但相比其他网络，YOLOv1架构在设计上的精髓在于其最后的7x7x30的输出解读、对模型参数的训练及其损失函数的评估设计方面。
YOLOv1模型的输出信息
YOLOv1的输出是一个7x7x30的三维张量，可以认为该模型把输入的448x448分辨率切分为7x7的网格，从每个网络中搜索待识别对象的中心点及其Bounding Box、置信度、对象类别等信息，每个网络通过一个30个元素的向量来表征该网格中检测到的这些信息。
如下图所示，每个网格会输出两个Bounding BOX的信息，每个BOX的信息包含检测物体中心点坐标（相对于该网格左上角）以及该检测物体的长宽（相对于整幅图即448x448的长宽比例），这个检测框的置信度信息。
需要注意，YOLOv1对于图像中物体的检测逻辑是，如果一个物体的中心点落在某个网格内，就由这个网格负责检测和输出该物体对应的Bounding Box等信息。因此，每个网格输出BOX信息中，x和y表示这个待检物体的中心点相对于当前网格左上角的位置，而w和h则表示这个网格预测Bounding Box的相对于整个输入图像分辨率的长和宽。
每个BOX都有一个置信度Confidence的参数，这个参数用于表征当前BOX中真正包含待检物体的概率，如果这个BOX中包含有某个待检物体的中心点的话，这个置信度参数会比较高，达到接近1的程度；而如果这个BOX中不包含任何待检物体的中心点，那么其置信度会接近0，这样就会在后面的过滤算法中被过滤掉。
20 Classes则用于表示各个待检物体类别的最终识别概率。对于VOC数据集而言，可以支持对20种类别的检测识别，如果是COCO数据集的话，各个网格输出的类别数量就需要修改为80个种类的识别概率了。
两个BOX，一组类别识别概率？
从以上所总结的YOLOv1模型各个网格的输出信息可以看到，每个网格的输出包含了两个预测BOX的信息，以及一组识别待检物体的识别概率。那么如果一个网格中刚好包含了两个待检物体的中心，那这组类别识别概率究竟表示的是哪一个物体的识别类别呢？
答案是：这种情况下肯定会漏检，这也是YOLOv1在密集小目标场景下召回率骤降的根本原因所在，也是后续版本（YOLOv2起）引入anchor、把“负责检测单元”从网格细化到“网格+anchor”甚至“pixel”级别的动机。
基于下图来理解这个事情：
对于每个网格所输出的两个BOX而言，这个网格在输出时只会把两个BOX与实际待检物体吻合度（实际上就是IOU指标）最好的那个框标记为正样本。对于上图而言，实际物体的Bounding Box是上图中的浅灰色框，那么预测框A的吻合度远好于预测框B。那么，这个网格的输出中，预测框A的置信度就会比较高，预测框B的置信度会被压得比较低，而这个网络中所包含的类别信息对应的也就是预测框A所圈选的部分图像的类别识别概率。
因此，YOLOv1整个输入图像被划分为7x7个网格，每个网格输出两个BOX，看起来YOLOv1最多可以实现对7x7x2=98个物体的检测，但实际上，每个网格最多只能输出一个BOX及其对应的识别类别，所以整个图像最多也就只能识别49个独立物体。即：每个网格输出的两个BOX不是为了确保在一个网格中检测出来两个物体，而是为了在一个网格中检测出来物体以后，通过两个BOX提供二选一的选项，让模型能够选择匹配性最好的框来定位其位置。
NMS
NMS：Non Maximal Suppression，非极大值抑制算法，顾名思义就是抑制不是极大值的边框，这里的抑制通常是过滤掉针对同一个检测物体的冗余边框。
如上所述，对于每一个输入YOLOv1模型进行推理和检测的图片而言，模型会通过7x7x30这个三维张量输出7x7x2=98个预测框。这98个预测框还需要经过NMS算法的过滤才真正输出最终的检测结果，否则一个物体可能会包含多个输出检测框。
NMS算法的基本执行逻辑：利用得分高的边框抑制得分低且重叠程度高的边框。
NMS算法的执行，按照其所支持的类别分类独立进行处理，每进行一次NMS运算，得到一个类别的最终检测框。但不同类别的计算逻辑是完全相同的，最终把所有类别的最终检测框汇总在一起就是模型最终的检测结果。
步骤0： 首先针对某个指定的类别，通过BOX的置信度confidence和这个类别的识别概率相乘得到这个BOX针对这个类别的分数score。因为模型输出98个BOX，所以每个类别也就有98个score。
步骤1：对这个类别的98个score与NMS的检测阈值（例如0.2）进行比较，小于这个阈值的BOX删除掉，只保留大于阈值的BOX放入备选列表。
步骤2：对备选列表中所有BOX基于score的大小降序排序，把备选列表中score最大的那个BOX直接放入该类别的检测输出中。
步骤3：计算备选列表中score值最大的BOX，与备选列表中所有其他BOX计算IOU指标，当计算出来的IOU值>IOU阈值（一般为0.5）时，表示两个BOX检测的是同一个目标，此时把score较小的那个BOX从备选列表中删除。
步骤4：从当前备选列表中把score最大值的BOX删除掉。
反复执行以上的步骤2-步骤4，直到备选列表的BOX为空。此时就得到了这个类别的检测输出结果，然后对所有的20个类别全部执行完成以上步骤，把所有类别的检测输出结果汇总，就是模型最终的检测输出。
如上图是针对小狗这个类别的NMS算法过滤流程。
- 首先针对小狗这个类别，通过每个BOX的置信度及其所属网格中小狗这个类别的识别概率相乘，得到98个分数score。
- 对这98个score与阈值0.2进行比较，删掉阈值小于0.2的BOX，把其他的BOX放入备选列表中。
- 对备选列表中的BOX基于score进行降序排序，score最大的BOX直接放入小狗这个类别的检测输出中，同时执行以上描述的NMS算法，每次都是把score最大的BOX放入该类别的输出列表，并通过IOU去掉与该BOX重合度较大的其他BOX（避免一个检测物体出现多个检测框），直到整个备选列表中的BOX全部清空。
参考资料
- 《深度学习之Pytorch物体检测实战》6.1 无锚框预测YOLOv1