YOLO 原始論文精讀

系列 · 1 篇

← 返回論文精讀

  • YOLO：一次看完整張圖做偵測，但 VOC 2016 不能代表後來的 YOLO 家族

    中階 先建立方法閱讀底座
    YOLO 原始論文精讀: Part 1 , 筆記: 2026年8月28日 , 論文: 2016 , CV

    精讀 Redmon et al. CVPR 2016／arXiv:1506.02640：把物件偵測改寫成單次前向傳播的迴歸——S×S 網格、B 個框、C 類機率一次輸出。VOC 2007 上 YOLO 63.4% mAP／45 FPS；這是 2016 統一偵測證據，不是 YOLOv3 COCO 或 Ultralytics 產品數字。

    90 秒掌握這篇論文
    問題
    2016 年前主流偵測器（DPM、R-CNN、Fast/Faster R-CNN）把分類器或區域提議、特徵、分數、後處理拆成多段管線，難以端到端優化，測試也慢（例如 R-CNN 逾 40 秒／張、Fast R-CNN 約 0.5 FPS）。
    核心洞見
    把偵測改寫成 單一迴歸：輸入整張圖，單一 CNN 直接輸出空間上分散的邊界框與類別機率。控制點是 one-shot global reasoning 對 two-stage propose-then-classify；整個管線是一個網路，可端到端以偵測損失訓練（Section 1–2、Figure 1–2）。
    最強證據
    PASCAL VOC 2007（Table 1，train 2007+2012）：YOLO 63.4% mAP、45 FPS（Titan X、無 batch）；Fast YOLO 52.7% mAP、155 FPS。同表對照 Fast R-CNN 70.0% mAP、0.5 FPS；Faster R-CNN VGG-16 73.2% mAP、7 FPS。Figure 4：YOLO 定位錯誤 19.0% 為主，背景誤報 4.75% 遠低於 Fast R-CNN 13.6%。
    主要邊界
    粗網格（每格僅 2 框、1 類）、VOC 20 類、非 instance segmentation；VOC 2012 test 57.9% mAP 低於當時 leaderboard 頂端。YOLOv2/v3/v8、COCO 2017、Ultralytics 產品 mAP 不屬本 PDF；ResNet-152 ImageNet 4.49% 亦不是偵測契約。
    進入完整精讀

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡