2023年5月19日 · YOLO是目前比较流行的目标检测算法，速度快且结构简单，其他的目标检测算法如RCNN系列，以后有时间的话再介绍。 本文主要介绍的是YOLOV1，这是由以Joseph Redmon为首的大佬们于2015年提出的一种新的 目标检测算法。 它与之前的目标检测算法如R-CNN等不同之处在于，R-CNN等目标检测算法是两阶段算法， 步骤为先在图片上生成候选框，然后利用分类器对这些候选框进行逐一的判断；而YOLOv1是一阶段算法，是端到端的算法，它 …

简单来说，YOLOv1的做法是：CNN网络将resize后的图像分割成S x S（7 x 7）的单元格，若目标的中心点落在某一单元格，则该单元格负责检测该目标，输出该目标的类别和边框坐标。

2025年3月2日 · yolov1 论文：“You Only Look Once: Unified, Real-Time Object Detection” 论文地址: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf

2015年6月8日 · We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities.

2024年10月16日 · 本文深入探讨了YOLO系列算法的发展历程，从YOLOv1到YOLOv9，详细介绍了各版本的核心思想、网络结构、改进部分、性能表现，并对比了不同版本在速度与精度之间的权衡。 1. YOLO系列算法的步骤. 2. Backbone、Neck和Head. 1. YOLOv1（2016） 2. YOLOv2（2016） 3. YOLOv3 （2018） 4. YOLOv4（2020） 5. YOLOv5（2020） 6. YOLOX（2021） 7. YOLOv6（2022） 8. YOLOv7（2022） 9. YOLOv8（2023） 10. …

YOLOv1 将输入图像划分为网格 (SxS)，每个网格单元负责预测边界框和其中对象的类别概率。 每个边界框预测都包含一个置信度score，表示目标出现在框中的可能性。

yolov1 PyTorch implementation of the YOLO architecture presented in "You Only Look Once: Unified, Real-Time Object Detection" by Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi Methods

2025年1月15日 · yolov1. 在引入 yolo 对象检测之前，研究人员使用了基于卷积神经网络 （cnn） 的方法，如 r-cnn 和 fast r-cnn。这些方法使用两步过程来预测边界框，然后使用回归对这些框中的对象进行分类。这种方法速度缓慢且占用大量资源，但 yolo 模型彻底改变了对象检测。

2025年3月18日 · YOLOv1（You Only Look Once）是首个将目标检测任务统一为空间分离的边界框和相关类概率的回归问题的模型，其主要创新点包括： 全局推理机制：通过单次前向传播直接预测边界框位置和类别概率，摒弃了传统两阶段方法中的区域建议步骤。

2021年3月14日 · yolov1是一个目标检测的算法，他是一阶段的检测算法。 一阶段（one-stage）：检测物体的同时进行分类。（代表论文：yolov1 - yolov5） 二阶段（two-stage）：先检测出物体，再进行分类。（代表论文：rcnn，fast-rcnn） 重点要理解yolov1的数据特征标注方式。